Fast AI Tech

ㆍ 금융 데이터 분석과 활용에서의 최적의 도구인 파이썬의 특징을 알아봅니다.

ㆍ 파이썬 분석 환경 구축을 위해 PC아나콘다를 설치해 보고 분석 환경을 살펴봅니다.

ㆍ 쥬피터 노트북의 사용법을 알아보고 이해합니다.

ㆍ 변수와 값, 연산자의 개념에 대해 이해하고 실습합니다.

ㆍ 자료구조에 대해 살펴보고 프로그래밍과 분석의 기본 내용을 이해합니다.

ㆍ 기본 자료구조의 또 다른 유형인 세트와 딕셔너리를 학습하고 기본 자료 구조를 총정리합니다.

ㆍ 함수의 정의와 그중에서도 내장함수, 사용자 정의 함수의 개념을 학습합니다.

ㆍ 모듈과 패키지의 개념을 이해하고 설치해 봅니다.

ㆍ 문자열의 개념과 처리 방법을 살펴보고 문자열과 많이 사용되는 정규표현식을 알아봅니다.

ㆍ 프로그래밍에서 제일 중요한 부분 중 하나인 조건문의 중요성을 파악합니다.

ㆍ 반복문이 무엇인지 알아보고 가능한 작업을 살펴봅니다.

ㆍ 파일 입출력에 대해 파악하고 실습합니다.

ㆍ 데이터를 이해하는 방법을 살펴보고 활용합니다.

ㆍ 예외 처리의 개념을 이해하고 예외 처리하는 법을 알아봅니다.

ㆍ 파이썬 기본 프로그래밍 내용을 총정리하고 재파악합니다.

ㆍ 파이썬 기본 프로그래밍 내용을 사용하여 실습합니다.

ㆍ 빅데이터를 위한 파이썬의 분석 환경을 살펴봅니다.

ㆍ 파이썬을 활용하기 위한 기초 지식을 리뷰합니다.

ㆍ 수치 계산에 특화된 Numpy의 개념을 이해하고 활용합니다.

ㆍ array 연산에 대해 파악을 하고 실습합니다.

ㆍ array를 처리하는 방법인 슬라이싱과 인덱싱에 대해 알아봅니다.

ㆍ Numpy를 실습하고 총 내용을 재정리합니다.

ㆍ Pandas에 대해 알아보고 자료구조를 살펴봅니다.

ㆍ Pandas의 자료구조인 Series의 개념을 알아보고 생성합니다.

ㆍ DataFrame을 생성하고 활용법을 학습합니다.

ㆍ Series로 DataFrame을 만들고 CSV나 엑셀을 저장하고 읽어봅니다.

ㆍ 열, 행을 삭제하고 replace를 통한 문자열을 변경해 보고 함수를 적용해 봅니다.

ㆍ 데이터를 그림으로 표현하는 시각화에 대해 알아봅니다.

ㆍ Matplotlib을 이용해 Scatter plot 시각화에 대해 살펴봅니다.

ㆍ Scatter plot 외에 다양한 시각화를 배워봅니다.

ㆍ 데이터 분석 절차를 이해하고 그 과정에서 사용되는 파이썬 패키지를 통해 전체적인 그림을 그려봅 니다.

ㆍ 데이터 분석의 시작인 전처리 중 지도학습에 중요한 파티셔닝에 대해 학습합니다.

ㆍ 전처리의 역할과 모델링의 중요한 부분인 변숫값의 정규화를 살펴봅니다.

ㆍ 중앙값과 평균을 통해 자료의 중심을 알아가는 과정을 이해하고 모듈을 이용해 직접 계산을 해봅니다.

ㆍ 분산과 표준편차를 이용해 자료가 갖는 변화의 정도를 알아보고 모듈을 이용해 직접 계산합니다.

ㆍ 두 변수의 관계를 알려주는 공분산을 이해하고 직접 실습합니다.

ㆍ 상관관계를 이해하고 두 변수에 대해 분석을 합니다.

ㆍ 통계적 추론을 위한 가설검정을 살펴보고 내용을 리뷰합니다.

ㆍ 상관관계를 분석으로 활용하는 상관분석에 대해 알아보고 직접 실습합니다.

ㆍ 분산분석에 대해 살펴보고 원리를 이해합니다.

ㆍ 선형 회귀분석의 개념을 학습하고 직접 실습을 해봅니다.

ㆍ 선형 회귀분석의 결과를 알아보고 해석합니다.

ㆍ 선형 회귀분석을 활용한 예측을 실습합니다.

ㆍ 선형 회귀모형의 한계를 보완한 로지스틱 회귀모형을 실습합니다.

ㆍ 로지스틱 회귀분석을 더 살펴보고 해석 및 예측 부분을 알아봅니다.

ㆍ 선형 모형으로 모델링 후 해석하고 예측합니다.

ㆍ 로지스틱 회귀모형을 실습합니다.

ㆍ AI의 정의 학습 및 AI를 통한 Digital Transformation 개념을 알아봅니다.

ㆍ AI의 핵심인 알고리즘이 무엇인지와 문제 해결 과정을 파악합니다.

ㆍ AI 현업 적용을 위한 비즈니스 아이디어 발굴에 대해 알아봅니다.

ㆍ 비즈니스 프로세스와 프로세스 마이닝의 분석법을 학습합니다.

ㆍ 구체적인 프로세스 마이닝의 절차를 살펴봅니다.

ㆍ 현업 적용 서비스 기획 단계와 주의점을 알아봅니다.

ㆍ AI 현업 기획의 사례로 챗봇에 대해 알아봅니다.

ㆍ RPA의 적용 사례와 이를 통한 창의적인 접근 방법을 살펴봅니다.

ㆍ Roboadvisor의 개념을 배우고 서비스 효과를 파악합니다.

ㆍ AI 활용 전망에 대해 알아봅니다.

ㆍ 머신러닝의 개요 및 현황을 습득합니다.

ㆍ 머신러닝의 다양한 활용 사례를 살펴봅니다.

ㆍ 머신러닝의 도구인 라이브러리를 학습합니다.

ㆍ 머신러닝에 필요한 데이터를 직접 얻어봅니다.

ㆍ 머신러닝에서 중요하고 많이 활용되는 분류모형을 확인합니다.

ㆍ 분류모형의 작동 방법을 알아봅니다.

ㆍ 분류모형 기법인 의사결정트리(Decision Tree)를 살펴봅니다.

ㆍ 의사결정 트리(Decision Tree)의 활용과 응용에 대해 파악합니다.

ㆍ 의사결정트리(Decision Tree)의 약점을 보완하는 Random Forest를 학습합니다.

ㆍ 추천 알고리즘의 기본 개념과 주요 구성 요소를 살펴봅니다.

ㆍ 추천 알고리즘에서 가장 중요한 유사도를 이해합니다.

ㆍ 협업 필터링을 구체적으로 이해하고 UBCF에 대해 알아봅니다.

ㆍ IBCF에 대해 살펴보고 UBCF와의 차이점을 비교합니다.

ㆍ surprise 라이브러리의 개념을 알아보고 설치하여, 데이터를 읽어봅니다.

ㆍ surprise 라이브러리를 이용해 구체적인 활용법을 파악합니다.

ㆍ 비지도학습의 개념과 비지도학습을 위한 데이터 형태를 이해합니다.

ㆍ 비지도학습의 한 종류인 군집과 그중 계층적 클러스터링의 개념을 구체적으로 습득합니다.

ㆍ K-means 클러스터링의 정의를 이해하고 군집 결과를 비교합니다.

ㆍ 군집에서 신경 써야 하는 부분을 살펴보고 직접 실습합니다.

ㆍ 패턴이란 무엇이고 발견은 어떻게 하는지 살펴봅니다.

ㆍ 연관규칙의 주요 개념을 구체적으로 알아봅니다.

ㆍ 연관규칙 분석을 통한 패턴 발견을 실습합니다.

ㆍ 머신러닝의 A부터 Z까지 전체 내용을 되돌아보고 리뷰합니다.

ㆍ 머신러닝의 개요 및 현황을 습득합니다.

ㆍ 머신러닝의 다양한 활용 사례를 살펴봅니다.

ㆍ 머신러닝의 도구인 라이브러리를 학습합니다.

ㆍ 머신러닝에 필요한 데이터를 직접 얻어봅니다.

ㆍ 머신러닝에서 중요하고 많이 활용되는 분류모형을 확인합니다.

ㆍ 분류모형의 작동 방법을 알아봅니다.

ㆍ 분류모형 기법인 의사결정트리(Decision Tree)를 살펴봅니다.

ㆍ 의사결정 트리(Decision Tree)의 활용과 응용에 대해 파악합니다.

ㆍ 의사결정트리(Decision Tree)의 약점을 보완하는 Random Forest를 학습합니다.

ㆍ 추천 알고리즘의 기본 개념과 주요 구성 요소를 살펴봅니다.

ㆍ 행렬곱의 개념과 인공 신경망에서의 행렬곱이 무엇인지 살펴봅니다.

ㆍ 활성화 함수와 그 역할에 대해 알아보고 다양한 활성화 함수의 종류를 학습합니다.

ㆍ Feedforward의 정의와 신경망에서의 가중치 업데이트 과정을 살펴봅니다.

ㆍ 인공 신경망에서의 오차와 역전파 알고리즘을 알아봅니다.

ㆍ 딥러닝 알고리즘의 등장에 대해 살펴보고 어떻게 접근해야 할지 생각해 봅니다.

ㆍ 딥러닝 알고리즘을 단계별로 파악합니다.

ㆍ ReLU 활성화 함수의 등장이 갖는 효과와 의의를 이해합니다.

ㆍ 딥러닝의 발전 과정을 살펴보고 체크합니다.

ㆍ 딥러닝 파라미터의 개념과 활용법을 알아봅니다.

ㆍ 딥러닝 튜닝에 대해 이해하고 튜닝 방법을 비교합니다.

ㆍ 이미지 분류에 활용되는 기법인 CNN을 알아보고 그 과정을 살펴봅니다.

ㆍ Overfitting과 딥러닝에서의 Overfitting 극복 방법을 알아봅니다.

ㆍ CNN 기법의 특징을 이해합니다.

ㆍ Convolution (합성곱) 절차와 구체적인 요소를 알아봅니다.

ㆍ Pooling의 절차와 과정을 구체적으로 파악합니다.

ㆍ RNN의 신경망 학습법 과정에 대해 살펴봅니다.

ㆍ RNN의 예제를 통해 순환 신경망을 이해합니다.

ㆍ RNN과 텍스트와의 관계성을 알아봅니다.

ㆍ RNN에 대한 텍스트 분석을 위해 발전된 딥러닝 모형을 살펴봅니다.

ㆍ 알고리즘으로 배우는 딥러닝의 전체 내용을 되돌아보고 리뷰합니다.

ㆍ TensorFlow가 무엇인지 배우고 TensorFlow와 PyTorch의 차이점을 비교합니다.

ㆍ 가상환경 설정하고 TensorFlow를 설치하여 실습합니다.

ㆍ 데이터 표현 방법을 알아보고 이를 통해 Array와 Tensor의 처리와 기본 연산법을 학습합니다.

ㆍ MNIST 데이터셋의 개념과 데이터 분리, 입력 데이터 전처리까지 알아봅니다.

ㆍ ANN 모델을 구현해 보고 데이터 학습을 통해 평가 및 예측합니다.

ㆍ Dense층과 학습 파라미터를 설정하고 활성화 함수를 통해 값을 찾아봅니다.

ㆍ softmax 함수와 optimizer, loss function을 활용하여 실습합니다.

ㆍ ANN의 학습 결과를 출력해 보고 테스트 데이터를 예측하며, 혼동행렬과 분류 보고서를 실시합니다.

ㆍ CNN의 모델 구조를 살펴보고 CNN 모델을 구현합니다.

ㆍ CNN의 학습 결과를 출력해 보고 테스트 데이터를 예측하며, 혼동행렬과 분류 보고서를 실시합니다.

ㆍ Regularizer 함수와 BatchNormalization, Dropout을 통해 CNN의 성능을 평가하고 개선합니다.

ㆍ RNN의 모델 구조를 확인하고 RNN 모델을 구현합니다.

ㆍ LSTM 모델과 GRU 모델의 구조를 살펴보고 LSTM과 GRU 모델을 구현합니다.

ㆍ 딥러닝 구조와 네트워크 구조, 퍼셉트론 구조를 다시 한번 확인하고 텐서플 구현을 리뷰합니다.

ㆍ PyTorch가 무엇인지 배우고 TensorFlow와 PyTorch의 차이점을 비교합니다.

ㆍ 가상 환경을 설정하고 PyTorch를 설치합니다.

ㆍ 데이터 표현 방법을 알아보고 이를 통해 Array와 Tensor의 처리와 기본 연산법을 학습합니다.

ㆍ Fashion MNIST 데이터셋의 개념을 살펴보고 데이터 불러오기를 통해 데이터 변환을 합니다.

ㆍ ANN의 모델 구조와 퍼셉트론을 학습하고 실습합니다.

ㆍ PyTorch의 학습 모델 구조를 알아보고 모델 구현 및 학습을 합니다.

ㆍ 모델 평가 구현을 한 후 평가 결과 출력 및 loss 율을 확인합니다.

ㆍ 과적합의 개념을 이해하고 과적합 해결 방법을 살펴봅니다.

ㆍ CNN의 개념을 살펴보고 CNN 모델을 적용하여 실습합니다.

ㆍ CNN 모델 구조를 알아보고 CNN 모델을 구현합니다.

ㆍ 혼동 행렬과 분류 보고서의 개념을 익히고 이를 활용해 실습을 해봅니다.

ㆍ 순차 데이터 개념을 학습하고 RNN, LSTM, GRU 구조를 살펴봅니다.

ㆍ GRU 모델을 구현하고 확인합니다.

ㆍ GRU 모델을 학습하여 테스트 데이터를 검증한 후 모델 저장 및 불러오기를 합니다.

ㆍ 딥러닝, 네트워크, 퍼셉트론 구조를 다시 살펴보고 파이토치를 구현합니다.