마감임박

파이썬을 활용한

시계열 분석 입문 CAMP

시계열 데이터의 속성을 이해하고,
시계열 분석 문제에 대한 의사 결정 및
분석 결과 해석 능력을 기를 수 있는 강의

#시계열 분석 #실습 중심
#실무활용 가능

기간 & 일정

2019.08.17. – 10.12.
매주 토요일 10:00 – 13:00
주 1회, 총 24시간
9/14 휴강

장소 & 준비물

패스트캠퍼스 강남강의장
강남역 4번 출구, 미왕빌딩
개인 노트북

담당자 & 문의

이샘 매니저
02-518-4822
help-ds@fastcampus.co.kr

시간의 특성을 담은 데이터 분석.
어렵다는 핑계로 늘 미루던 당신!
언제까지 시계열 분석 학습을 미룰건가요?

아직도 시계열 분석이 어렵다고 생각되어, 망설이고 계시다면?
수강생이 직접 작성한 학습노트를 살펴보세요!

시계열 분석이 중요한 이유!

우리 삶과
뗄 수 없는 변수, 시간

시간 흐름이 반영된 데이터 분석은 현재를 설명하고 미래의 새로운 관점을 제시합니다.

다양한 도메인에서
활용가능한 분석

경영/경제를 넘어 영업/마케팅/구매/전략/인사 등 다양한 도메인에 적용할 수 있습니다.

더 완전한 데이터 분석을 위해
마주할 수밖에 없는 시계열 분석
이제는 배워야 합니다.

시간의 흐름을 생각하지 않았다면
지금까지 데이터의 일부를 보셨습니다

수학/통계 기초가 부족한 수강생도
강사님과 함께 실습하며
시계열 분석과
결과 해석이 가능해집니다!

시계열 분석 학습의 장애물.

icon5-100x100_y

회사에서 필요한건데…
당장 (퇴사하고)대학원에서 배울 수 없잖아요.

icon6-100x100_y

데이터 분석을 하고싶은데
수학을 다시 공부하라니!

icon8-100x100_y

꾸역꾸역 이론을 학습해도
실제 데이터에 적용하기 어려웠어요.

icon2-2
basicmath_icon2

수학/통계 기초가 부족한 수강생도
최신 학습자료와 예제 데이터로 실습해보고,
시계열 분석과 해석을
현업에 가져갈 수 있습니다

basicmath_icon1

강의 특징.

증명에 지친 분들을 위한
실무 중심 코스

증명에 초점이 맞춰진 이론이 아닌 현업에 초점이 맞춰진 이론을 전합니다. 실무에 필요한 이론뿐 아니라 어떻게 쓰이는지, 어떻게 활용할수 있는지까지 모두 배웁니다.

금융공학 박사+시계열 분석
실무자 강사님

통계분석 중에서도 고급통계분석으로 분류되어 전문가를 찾기 힘든 시계열 분석, 진짜 전문가에게 배울 기회입니다. 시계열 분석 실무를 진행하며 겪을 수 있는 어려움과 이에 대비하는 노하우까지 모두 가져가세요.

실습을 위한 다양한
예제 데이터 제공

다양한 데이터를 통해 실습을 진행해보며, 시계열 데이터의 구조 및 특성을 이해할 수 있습니다.

강사 소개.

pytime_t

김경원 강사님

현재 인공지능센터에서 AI알고리즘을 활용한 데이터 분석 업무를 담당하고 있습니다. 시계열분석은 다양한 분석 알고리즘 중 하나의 큰 축으로, 많은 분석들에서 시간특성(시계열)의 반영이 그 어떠한 알고리즘에서도 파악할 수 없는 패턴을 잘 반영한다는 강점을 증명받아 왔습니다. 따라서 시계열분석 사고에 대한 보유는 작게는 여러분들 각자의 시야를 넓혀줄 뿐 아니라, 크게는 현업의 적제 되어 있는 문제들의 새로운 출발이 될 수도 있다고 감히 말씀 드립니다! 이러한 방향에 여러분의 의지가 담길 때, 여러분의 삶이 긍정적으로 변화되는 모습을 보실 수 있으실 것입니다.

[약력]
(현) S연구소 인공지능센터 데이터 사이언티스트
(전) S사 빅데이터랩 데이터 사이언티스트
(전) 서울대학교 산업공학과 금융공학 전공 박사
(통계학과 데이터마이닝 전공 석사, 수학과 학사)

[활동 이력]

(S사) 프로젝트
– 영업/마케팅 매출기여도 분석 및 최적투자 포트폴리오 시뮬레이션
– 부품 수급 자동화 및 비용 최적화를 위한 수요예측
– 프로모션 효과 향상을 위한 고객 구매확률 예측 및 전략기획
– 고객 불만 사전대응을 위한 경보 시스템 구축 분석
– 제품 불량 원인 파악을 위한 이상탐지 분석 및 수명 예측
– 광고 효과 향상을 위한 고객 프로파일 예측 및 추천 확률 계산
– 서비스/앱의 고객 이탈확률 분석 및 Life Cycle 분석
(H사, S사) 시장분석, 파생상품, 외환시스템, 계량경제, 시계열분석, 데이터마이닝 등 강의
(S연구소) 확률 및 확률과정, 병렬처리, 고차원 자료분석, 시뮬레이션 등 강의
(E대학) 계량경제, 경제통계, R, Matlab, SAS 등 강의
(S대학) 수치해석, 수요예측, 최적화, 투자위험관리, 금융시계열분석, 금융공학 사례분석 등 강의

예제 데이터 미리보기.

비선형 시계열 분석 및 예측

비선형 시계열 데이터 분석·예측 실습

수강 전, 꼭 확인하세요!

– 본 강의에서 활용하는 실습데이터는 시계열분석을 활용한 “수요예측”과 관련된 것으로,
공유경제 시스템 사용기록, 부동산 가격 데이터, 일기예보 현황 등이 포함되어 있습니다.

 

1) 수요예측을 위한 공공자전거 공유경제 데이터 데이터 미리보기
2) 부동산 가격 예측을 위한 데이터 데이터 미리보기
3) 대기중 CO농도 예측을 위한 데이터 (statsmodels or sklearn)
4) 국제항공 운송 인원 예측 데이터 (statsmodels or sklearn)
5) 날씨 예측을 위한 Specific 데이터 데이터 미리보기
6) 제조사별 고객 스마트폰 사용 기록 데이터 미리보기

공부도 하고!
학습지원금도 받고!

결제액의 10%를 학습지원금으로 드립니다.

패스트캠퍼스의 수강의지를 강화하기 위한 지원금 제도를 운영합니다
패캠이 제안하는 학습 목표를 달성하고 커리어 이상의 성취감을 얻어가길 바랍니다.

*학습지원금은 제세공과금(22%) 제외분입니다.

학습노트

100% 제출

이렇게 배웁니다.

2019-07-10 ddd.jpeg

추천 대상.

이런 분들께 추천드립니다.

icon5-100x100_y

파이썬 코딩과 시계열 분석 학습 경험이 있지만 내 데이터에 활용하는 것에는 어려움을 느끼셨던 분.

icon6-100x100_y

시계열 분석이 필요하지만 수학/통계의 장애물에 걸려 공부를 시작하는 것 조차 어려움을 느끼셨던 분.

icon8-100x100_y

시계열 분석을 활용하여 재고, 생산관리 등 업무 프로세스 최적화를 이루고자 하는 분.

단,

아래의 두 가지의 항목에 모두 Yes!라고 대답하실 수 있어야, 수강에 어려움이 없습니다.

① 파이썬을 실행하여 Numpy와 Pandas를 활용해 데이터 분석을 해 본 경험이 있다.
② 회귀분석에 대한 기본 지식을 갖추고 있으며, 이를 파이썬으로 돌려 본 경험이 있다.
③ ARIMA 모형을 들어본 적이 있다.

8주 후, 당신은.

시계열 데이터 분석 결과를 이해하고,
실무에 활용하는 당신의 모습에 놀라실거예요!

시계열 데이터의 속성을
이해하고, 시계열 분석 문제에
대해 스스로 의사 결정을
할 수 있습니다.

시계열 분석의 각 방법론이
어떤 목적을 가지는지,
시계열 데이터 분석의
큰 그림을 이해할 수 있습니다.

시계열 분석 결과를
해석할 수 있고,
데이터를 바라보는
인사이트가 생기게 됩니다.

판매량이나 생산관리 같은
경제 자료를 분석하고,
프로세스를 최적화시킬
수 있습니다.

수강생 인터뷰.

데이터사이언스_블로그썸네일_정사각형

1기 수강생 변성윤 님

이 코스의 대표적인 특징 중 하나는 ‘수식 설명에 매몰되지 않는다’는 겁니다. 수학적인 내용을 걷어내니 시계열 분석 그 자체를 이해하는 것에 더 집중할 수 있었다고 생각해요. 직관적으로 이해할 수 있게 됐다고 해야 할까요. 물론, 이해에 도움이 되는 수식에 대해서도 설명해 주십니다. 하지만 개념을 먼저 이해하고 수식 설명을 듣는 것과, 복잡한 수식 설명을 통해 개념을 이해하는 것의 효과는 정말 천지 차이일 것 같아요.

커리큘럼.

Chapter 1. 데이터분석 싸이클 이해 및 시계열 데이터분석 준비 (총 1주)

[1주차 – 환경세팅]

이론 80%
실습 20%

1) 데이터분석 싸이클 이해하기

– 데이터 플랫폼/엔지니어/고객/사이언티스트 관점에서
– 데이터수집/변수정리/데이터분리/기초통계확인/데이터특성시각화/모델적용/검증/에러분석 등

2) 분석에 공감하는 자세

– 통계의 한계와 강점, 그리고 데이터싸이언티스트 스킬셋

3) 분석 단계별 의사결정을 위한 수학/통계언어 이해하기

– 데이터 구조와 구조에 따른 분석방향 이해하기 (Cross-sectional/Time Series/Pooled/Panel Data)
– 기술통계 기본용어 (Descriptive Statistics)
– 가설검정 정리 및 분석해석을 위한 가이드 (추론통계/가설세팅/검정종류/신뢰수준/유의확률(p-value)/검정통계량/의사결정)

4) 컴퓨터와 소통하기 위한 프로그래밍 언어(Python)의 이해하기

– 도구설치(Anaconda)/도구 사용을 위한 툴설치(Jupyter Lab)/작업경로설정/기본문법정리(pandas, numpy)

Chapter 2. 시계열 데이터패턴 추출이해 및 적용하기 (총 3주)

[2~4주차 – 분석세팅]

이론 10%
실습 90%

1) 분석 모델 방향이해 및 시계열 모델방향 이해하기

2) 데이터패턴 및 분석 단계별 목적 차이 이해하기 (시계열 vs. 기계학습)

– 독자적인 시계열 패턴 성분
– 검증지표와 잔차진단의 이해
– 시계열 데이터패턴의 장단점 이해

3) 시계열 회귀분석 정리를 통한 시계열분석 준비하기

4) 시계열분석 단계별 목적 이해 및 해석하기

– 데이터준비 방향 (비시계열 및 시계열)
– 전처리 방향 (시간현실/스케일링/다중공선성)
– 모델링 방향 (정상성 테스팅)
– 검증지표 방향 (검증지표/유의점/편향-분산 상충관계)
– 잔차진단 방향 (정상성/장규분포/자기상관/등분산성)

5) 시계열데이터 이해 및 비교를 위한 베이스분석 구현하기

– 데이터 정리 및 특성 추출 (Feature Engineering)
– 시계열 데이터 시각화 통한 데이터 이해(Visualization)
– 시계열 데이터 모델링과 검증에 사용할 데이터 분리 이해 (Train/Validate/Test)
– 시계열 분석결과 비교를 위한 베이스 모델 적용 (Linear Regression)
– 결과 예측력의 성능 확인을 위한 검증 (Evaluation)
– 추가성능 향상을 위한 아이데이션 및 검증결과 해석 (Error Analysis)
– 분석 싸이클 재사용 효율을 높이기 위한 단계별 함수화 (Functionalization)

Chapter 3. 머신러닝 모형 비교를 통한 시계열 모형 이해 및 적용하기 (총4주)

[5주차 – 머신러닝으로 예측성능 향상]

이론 10%
실습 90%

1) 베이스분석과 머신러닝분석의 성능 비교를 위한 다양한 예측방법론 이해하기

– LASSO/ElasticNet/GradientBoosting/XGBoost/LigntGBM/DecisionTree/RandomForest 등
– 머신러닝 패키지 활용 방법 이해
– Python에서의 적용 방법 이해를 위한 실습 및 세부 옵션 등의 이해
– 분석 싸이클 구현을 통한 성능 향상 확인 및 추가성능 향상을 위한 아이데이션

[6주차 – 시계열 모델링 특성 및 전통적 시계열 모형 이해]

이론 70%
실습 30%

1) 시계열 데이터의 기본 가정 및 4대 주요모형 이해하기

– 백색잡음(White Noise)/랜덤워크(Random Walk)/자기회귀(Autoregression)/이동평균(Moving Average)/Wold Decomposition Theorem 등

2) 시계열 데이터 패턴 분해 및 시차들간의 상관성 이해하기

– Trend/Seasonality/Decomposition/Autocorrelation/Partial Autocorrelation

3) 발산하는 자료의 정상화를 통한 모형 안정성 이해

4) 전통적인 예측 기본 방법론 이해 및 검증 데이터 셋 분리 이해

– Moving/Smoothing/ETS/ARIMA 등

[7주차 – 선형/비선형 시계열분석 및 자동화 적용]

이론 40%
실습 60%

1) 선형/비선형 모델 적용 및 성능 확인하기

– 머신러닝과 시계열분석의 데이터와 활용목적 차이 확인
– 기존 베이스 분석싸이클 대비 시계열 분석싸이클의 분석목적 차이 확인

2) 선형 시계열분석 적용 및 성능 확인

– ARIMA/SARIMA/SARIMAX/Automation 등

3) 비선형 시계열분석 적용 및 성능 확인

– Kalman Filter/Exponential Smoothing 등

[8주차 – 다변량 시계열분석으로 모형 확장 및 예측 설명 이해]

이론 60%
실습 40%

1) 다변량 시계열 모델 차이 이해 및 성능 확인하기

– Vector Autoregressions(VAR)/Dynamic Vector Autoregressions(DVAR)/Vector Error Correction Models(VECM)

2) 다변량 시계열 모델을 통한 예측 설명력 이해 및 시뮬레이션하기

– 다변량 시계열 분석의 해석력 강점 확인 및 해석 방법 이해
– 변수들 간의 공적분(커플링/디커플링) 움직임 분석 (Cointegration)
– 변수별 입력 데이터 변경을 통한 미래 예측 시뮬레이션 분석 (Impulse Response Analysis)
– 변수들간의 인과관계 확인 및 시간에 따른 선행성/후행성 분석 (Granger Causality/Dynamic Effect Transmission)
– 에러 분해를 통한 예측결과의 변수의 영향력/설명력 분석 (Error Variance Decomposition)

{ FASTCAMPUS COMMUNITY MEMBERSHIP }

패스트캠퍼스 오프라인 강의를 수강하셨다면!
별도의 가입절차없이 패스트캠퍼스 커뮤니티 멤버쉽 회원이 됩니다.
커뮤니티 멤버쉽은 수강 후 1년 동안 유지되며,
오직 멤버들만을 위한 비공개 스터디클럽, 네트워킹행사, 세미나 등 비정기적 행사에 모실 예정입니다.

수강료 안내

출시알림을 신청해주세요.

정가 150만원

# 출시알림을 신청해주시면 다음 기수 개강 시 가장 먼저 연락드립니다.
# 할인가 적용 및 수강 확정은 결제일을 기준으로 합니다.

강의장 안내

학습 지원 프로젝트

공부도 하고! 학습지원금도 받고!

*학습지원금(제세공과금 22% 차감 후 지급)은 강의마다 개인마다 상이할 수 있습니다.

학습 목표 1. 학습노트 제출

매주 목요일 자정 24:00까지 담당매니저가 안내하는 formstack 계정을 통해 학습노트를 제출합니다.
계정에 대한 안내는 개강일에 수업이 끝난 후 메일을 통해 안내드립니다. 제출 시간 미준수 시 추후 환급에 불이익이 있습니다.

학습지원금을 받으려면?

미션을 모두 완료하면 신청페이지를 통해 신청 가능합니다.
다만, 강의 종료 후 30일 이내에 신청페이지를 통해서 신청해주셔야 합니다.
30일 동안 환급 신청 접수 후, 익월 말일에 일괄적으로 환급을 진행합니다.
아래의 환급신청 링크로 신분증 사본 / 환급받을 통장사본을 제출 (반드시 본인 명의로만 가능)해 주세요.
결제한 수강료의 10%(환급 금액의 22% 제세공과금으로 차감)를 드리며, 학습지원금은 개인마다 상이할 수 있습니다.

환불규정

* 학습지원금은 기수강생 할인만 중복 적용이 가능합니다. (기타 다른 이벤트와 중복 적용이 불가합니다.)
* 과제물이 허위로 작성되거나 표절일 경우 환급이 거절될 수 있습니다.
* 환불은 환불규정(https://www.fastcampus.co.kr/refund/)에 따라 진행됩니다. 규정에 의거하여 환불금액이 없을 수 있습니다.