설명
| 개강 | 2019년 9월 29(일) 오후 1시 |
| 일정 | 2019년 9/29-10/20 매주 일요일 오후1시~6시(5시간씩 4회) |
| 장소 | 강남 토즈타워점 (지하철2호선 강남역3번출구, 도보3분) |
| 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 강의자료(PPT, 소스코드) 제공 |
| 사전교육 2 | Machine Learning 입문 동영상 강의 |
| 사전교육 3 | ANN 입문 동영상 강의(실습부분은 건너뛰고 보세요) |
| 사전교육 4 | 시계열 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.
9/29(일) 시계열 및 DNN 입문
| 시계열 입문 |
| 정주성 개념 및 의미, 기본 시계열 모형 구조, PACF 설명 |
| Python을 이용한 시계열 데이터 생성 실습 |
| DNN 입문 |
| ANN과 DNN 개요, 특징, 구성요소 설명
scikit-learn 패키지 사용하여 MLP 구성 및 실습 |
| Activation 함수 종류, 데이터 전처리 방법 설명
nnet-ts 패키지 사용하여 일변량 일기간 예측 모형 구성 실습 |
10/6(일) RNN 및 NARX를 이용한 시계열 예측
| RNN |
| RNN 구조 및 작동원리, 모형 확장 및 데이터 전처리 방법 설명
Keras 이용한 RNN 모형 구성 다변량 입력-일변량 예측 실습 |
| pyneurgen 패키지 이용하여 Elman RNN 및 Jordan RNN 모형 구성
다변량 입력-일변량 예측 실습 |
| NARX |
| NARX 모형 정의 및 특징 설명 |
| pyneurgen 패키지 이용하여 NARX 모형 구성 및 실습 |
10/13(일) LSTM및 GRU를 이용한 시계열 예측
| LSTM |
| LSTM 구조, 특징, 용도 설명 |
| Keras와 Tensorflow 이용한 LSTM 구성 및 실습
Shuffling을 통한 모형 성능 향상 실습 |
| GRU |
| GRU 구조, 특징, LSTM과의 차이점 설명 |
| Keras와 Tensorflow 이용한 GRU 구성 및 실습 |
10/20(일) 다변량 예측 및 모형 성능 향상 기법
| 다변량 예측 |
| 다변량 예측 모형 정의, 데이터 전처리 설명 |
| Keras와 Tensorflow 이용한 다변량 예측 모형 설계 및 실습 |
| 모형 성능 향상 기법 |
| Rectified Linear Unit(ReLU) Activation Function 특징
Keras를 이용한 ReLU 효과 검증 실습 |
| Dropout 정의, Keras를 이용한 Dropout 적용시 나타나는 효과 검증
Early Stopping 정의, 적용 방법 설명 및 효과 검증 실습 |
<주요 용어 설명>
- 정주성 : Stationarity, 유의미한 시계열 분석이 가능하기 위해 데이터가 지녀야 할 조건으로 시계열 분석 시 반드시 알아야 할 개념
- 기본 시계열 모형 : AR, MA, ARMA 등
- DNN : Deep Neural Networks
- ANN : Artificial Neural Networks
- PACF : Partial Auto-Correlation Function
- MLP : Multi-Layer Perceptron
- RNN : Recurrent Neural Networks
- NARX : Nonlinear Auto-Regressive Network With Exogenous Inputs, 외생변수를 포함하는 시계열 모형으로서 시계열 모형과 구조화 모형의 장점을 결합한 모형
- LSTM : Long Short-Term Model, RNN 모형의 기억능력 보강한 모형으로 시각/음성 데이터 분석에 널리 활용됨
- GRU : Gated Recurrent Unit, LSTM을 개선한 모형
- Feature Engineering : 머신러닝 모형의 성능을 최대한 끌어낼 수 있도록 입력변수를 선택하고 튜닝하는 기법
<수업 대상>
- 시계열 예측을 실무에 적극 활용하시고 싶은 분: 수요 예측, 경기 예측, 변동성 예측, 주가 예측 등
- 딥러닝 관련 학위 논문 작성 중이신 분: 딥러닝 및 시계열 분석 전반에 걸친 조언을 수업시간과 휴식시간을 통해서 해드리고 개인적으로도 적극 도와드리겠습니다.
- 전직 및 이직을 준비 중이신 분: 인공지능, 데이터 사이언스 및 관련 분야에 대한 각종 정보와 전직 및 이직에 대한 조언을 해드리겠습니다.
- 시스템 트레이딩 분야에 관심을 가지신 분: 딥러닝을 이용한 시계열 분석 기법은 인공지능을 활용한 첨단의 알고리듬 트레이딩 시스템 개발에 크게 기여할 수 있으므로 최근 딥러닝을 이용한 시계열 분석 방법론이 금융공학 분야에서 크게 주목을 받고 있습니다. 강사의 오랜 경험을 공유하실 수 있습니다.
- 금융공학, 계량경제학, 기계학습 분야에 조언이 필요하신 분: 강사의 경험과 인적 네트워크를 활용하여 적극적으로 도와드리겠습니다.
상품평
아직 상품평이 없습니다.