(오프라인 > 데이터 사이언스) Python으로 배우는 딥러닝 시계열 예측(중급), 2020/6/21(일) 개강

690,000

본 강의는 Deep Learning 알고리듬 중에서 시계열 분석에 적합한 알고리듬을 선별하여 각 알고리듬의 구조와 특징 및 시계열 분석에 적용하는 방법에 대해 자세히 살펴봅니다. Deep Learning 방법을 사용하여 시계열을 분석하면 기존의 통계적 방법이나 Deep Learning 이전의 Machine Learning 기법을 적용한 경우에 비해 더 나은 결과를 얻을 수 있다는 것을 실제 데이터 분석 작업을 통해 이해하실 수 있습니다. Deep Learning 을 이용한 시계열 분석 기법은 인공지능을 활용한 첨단의 알고리듬 트레이딩 시스템 개발의 기초가 됩니다.

수강신청 클릭!!

설명

개강 2020년 6월 21(일)  오후 1시
일정 2020/6/21~7/12  일요일 오후1시~6시(5시간씩 4회)
장소 토즈 서울대입구역점
(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 Machine Learning 입문 동영상 강의
사전교육 2 ANN 입문 동영상 강의(실습부분은 건너뛰고 보세요)
사전교육 3 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.

 

수강신청서(Python 딥러닝 시계열 중급, 2020/6/21 개강)
수강목적
사이트를 알게된 경로


6/21(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

6/28(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

7/5(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

7/12(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>

  1. 시계열 예측을 실무에 적극 활용하시고 싶은 분: 수요 예측, 경기 예측, 변동성 예측, 주가 예측 등
  2. 딥러닝 관련 학위 논문 작성 중이신 분: 딥러닝 및 시계열 분석 전반에 걸친 조언을 수업시간과 휴식시간을 통해서 해드리고 개인적으로도 적극 도와드리겠습니다.
  3. 전직 및 이직을 준비 중이신 분: 인공지능, 데이터 사이언스 및 관련 분야에 대한 각종 정보와 전직 및 이직에 대한 조언을 해드리겠습니다.
  4. 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.
  5. 금융공학, 계량경제학, 기계학습 분야에 조언이 필요하신 분: 강사의 경험과 인적 네트워크를 활용하여 적극적으로 도와드리겠습니다.

상품평

아직 상품평이 없습니다.

상품을 구매한 로그인 고객만 상품평을 남길 수 있습니다.