(오프라인 > 데이터 사이언스) Python으로 배우는 딥러닝 시계열 예측(고급)

5.00개의 고객 평가를 기준으로 5점 만점에 8점으로 평가됨
(8개의 고객 상품평)

₩660,000

본 강의에서는 딥러닝 알고리듬 중 시계열 데이터 분석에 최적화된 알고리듬들을 결합하여 미래를 예측하는 시스템을 Python 코딩을 통해 구현하는 방법을 담고 있습니다. 기존 통계 분석 방법으로는 다루기 힘든 비선형 시계열 데이터 생성 동학을 CNN(Convolutional Neural Networks)과 RNN(Recurrent Neural Networks) 알고리듬을 결합한 최신 기법으로 추정하여 데이터 종류와 목적에 가장 알맞게 미래를 예측하는 시스템 구현 방법에 대해 소스코드와 함께 체계적으로 설명 드립니다. 뿐만 아니라 기존 시계열 분석 모형 중 포괄범위가 가장 넓은 SARIMA(Seasonal AutorRegressive Integrated Moving average) 모형과의 대비를 통해 딥러닝 시계열 분석 방법을 도입할 경우 얻게 되는 효과를 실증적으로 보여드립니다. 또한 예측 모형의 파라미터를 최적화하는 첨단 기법에 대해서도 예제를 통해 경험하실 수 있습니다.

수강신청클릭!!

일자(요일) 주제 강의 내용
사전교육1 Python 입문 설치, 데이터 입출력, 라이브러리 사용 방법
사전교육2 시계열 분석 입문 통계적 시계열 분석 주요 개념 및 기본 모형 설명
6/23(일) 시계열 예측 모형 입문 MLP, CNN, RNN 모형 개요, 시계열 예측 주요 개념, 시계열모형을 지도학습모형으로 전환, 전통적 예측 방법
6/30(일) 딥러닝 시계열 모형 구조분석 시계열 데이터 변환, MLP/CNN/LSTM 시계열 모형
7/7(일) 일변량 예측 모형 추세 및 계절성 문제, ETS 모형, SARIMA 모형, MLP/CNN/LSTM 시계열 예측, Grid Search
7/14(일) 다기간 예측 모형 다기간 단순 예측, ARIMA 예측, CNN 예측, LSTM 예측
7/21(일) 시계열 분류 모형 인간 행태 분석을 위한 ML/CNN/LSTM 모형

품절

Add to Wishlist
카테고리:

설명

개강 2019년 6월 23 (일)  오후 1시
일정 2019.06.23-2019.07.21  매주 일요일 13:00~18:00
장소 토즈 모임센터 서울대입구점
(지하철2호선 서울대입구역4번출구, 도보1분)
강사 한창호, 콴트글로벌 대표 / 경제학박사
문의 crm@quantglobal.co.kr, 02.761.8090
기타 실습을 위한 노트북 컴퓨터 지참 필수
특징 수료증 발급
사전교육 1 Python 입문 동영상 강의 제공(PPT, 소스 코드)
사전교육 2 시계열모형 분석 입문 동영상 강의 (실습부분은  건너뛰고 보세요)
사후교육 강의 녹화 동영상 3개월간 제공. 강의 후 2일내 업로드됨

 

수강신청

수강 신청을 먼저 하시고 결제는 개강 확정 이후에 하시면 됩니다.

수강신청서(Python 딥러닝 시계열 고급)
수강목적

6/23(일) 시계열 예측 모형 입문

I 강의 주제 강의 내용
1 MLP, CNN, RNN 모형 개요 Multilayer Perceptron, Convolutional Neural Networks, Recurrent Neural Networks
2 시계열 예측 주요 개념 외생/내생 변수, 회귀분석/분류분석, 비구조화/구조화, 일변량/다변량, 일기간/다기간, 정태/동태 분석, 연속형/이산형
3 시계열모형을 지도학습모형으로 전환 지도학습모형 개용, sliding window, 데이터 전처리
4 전통적 예측 방법 단순, AR, Exponential Smoothing, MA 예측 방법

6/30(일) 딥러닝 시계열 모형 구조 분석

II 강의 주제 강의 내용
1 시계열 데이터 변환 시계열 데이터를 지도학습 모형 데이터로 전환,
3D 데이터
2 MLP 시계열 모형 다변량/일변량, 다기간, 다변량 다기간 MLP 예측 모형
3 CNN 시계열 모형 다변량/일변량, 다기간, 다변량 다기간 CNN 예측 모형
4 LSTM 시계열 모형 다변량/일변량, 다기간, 다변량 다기간 LSTM 예측 모형

7/7(일) 일변량 예측 모형

III 강의 주제 강의 내용
1 일변량 시계열 예측 개요 전통적 시계열 예측 방법에 의한 일기간/다기간 예측
2 추세 및 계절성 문제 무추세 유계절성/유추세/유계절성/유추세 유계절성
3 ETS 모형 Exponential Smoothing Model의 구조 및 특징 이해
4 SARIMA 모형 SARIMA 모형의 구조 및 특징 이해
5 MLP/CNN/LSTM 시계열 예측 MLP/CNN/LSTM 시계열 예측 모형 구성 방법
6 Grid Search 딥러닝 예측 모형 파라미터 최적화를 위한 Grid Search

7/14(일) 다기간 예측 모형

IV 강의 주제 강의 내용
1 다기간 단순 예측 에너지 소비 데이터를 이용한 단순 예측 모형 구축
2 ARIMA 예측 ARIMA 모형을 이용한 다기간 예측 모형 구축
3 CNN 예측 다기간 예측, 일변량/다채널/다변량 CNN 예측 모형
4 LSTM 예측 Encoder-Decoder, CNN-LSTM, ConvLSTM 모형

7/21(일) 시계열 분류 모형

IV 강의 주제 강의 내용
1 딥러닝을 이용한 인간 행태 분석 개요 인간 행태 분석을 위한 딥러닝 모형 설계
2 인간 행태 데이터 휴대전화 사용 행태 데이터 분석
3 ML 인간행태분석 모형 Feature Engineering을 통한 ML 모형 구축
4 CNN 인간행태분석 모형 인간 행태 분석을 위한 CNN 모형 설계
5 LSTM 인간행태분석 모형 인간 행태 분석을 위한 CNN-LSTM 모형 설계

 

(오프라인 > 데이터 사이언스) Python으로 배우는 딥러닝 시계열 예측(고급)에 대한 8개 리뷰

  1. 5 중에서 5로 평가됨

    이태욱 (인증된 구매자) –

    이번 강의를 통해서,딥러닝 컨설팅을 할 수 있는 수준까지 업그레이드 되었습니다.

  2. 5 중에서 5로 평가됨

    eqfq1@naver.com (인증된 구매자) –

    딥러닝을 이용한 시계열분석에 대해서 여러가지 방법에 대해서 학습하였습니다. 어렵지만, 고급 기술을 배운거 같아서 알찼습니다.

  3. 5 중에서 5로 평가됨

    민장식 (인증된 구매자) –

    머신러닝에서 제일 중요하다고 할수있는 데이터를 분석하고 그 분석한 데이터 format을 각 딥러닝 모델별로 적용할 수 있는 구체적인 예시와 코드를 알수 있어서 너무 좋았습니다. 다음 강의도 기대됩니다.

  4. 5 중에서 5로 평가됨

    위대선 (인증된 구매자) –

    시계열 예측 중급과정에 바로 이어 수강하게 되었습니다. 중급에 비하여 더욱 정교한 모형, 모형을 구동하기 위하여 필요한 관련 지식, 그리고 매뉴얼이나 검색으로는 쉽게 이해하기 어려운 필수사항에 대해서, 여러 실무 경험을 갖추신 선생님께서 하나하나 짚어주셔서 앞으로 복습하고 스스로 공부하는 데 큰 도움이 될 것 같습니다.

  5. 5 중에서 5로 평가됨

    shsehd46@naver.com (인증된 구매자) –

    다른 강의에서는 들을 수 없는 실용적 측면을 강조한 강의 였습니다 인강을 제공하여서 피치못할 사정이 생기더라도 들을수 있는 점이 좋았습니다.

  6. 5 중에서 5로 평가됨

    조환영 (인증된 구매자) –

    중급 강의에 이어 고급과정도 들었습니다. 중급에 이어 너무나 좋은 강의를 해주셔서 감사합니다. 진행되던 프로젝트에 직접 활용될 수 있는 코드를 주셔서 프로젝트에 정말 큰 도움이 되었습니다. 이론적인 핵심적인 내용과 실제 활용할 수 있는 실습코드가 최적화된 멋진 강의 입니다. 시스템 트레이딩 강의도 얼른 개설 되었으면 좋겠습니다.

  7. 5 중에서 5로 평가됨

    전재후 (인증된 구매자) –

    인공지능의 이론과 공식에 지친 분들에게 마일스톤이 되어주는 강의입니다. 강의가 끝난 후 앞으로의 길이 보이리라 장담드립니다!

  8. 5 중에서 5로 평가됨

    leekk (인증된 구매자) –

    딥러닝을 통해 시계열 데이터를 분석하는 방법에 많은 도움을 받았습니다. 다양한 알고리즘과 데이터 처리하는 방법에 정말 쉽고 자세한 설명으로 강의해주셔서 많은 도움이 되었습니다.

상품을 구매한 로그인 고객만 상품평을 남길 수 있습니다.

연관 상품