.png&blockId=ac94ad2f-ce71-4951-9ad0-959e7ff0199e)
강의계획서
‘데이터 분석 실전반 - 추천 시스템 구현’과 뭐가 다른건가요?
•
추천 시스템 구현반은 Rule 기반·연관성 분석·딥러닝·머신러닝 등
다양한 추천 알고리즘을 설계·구현하는 데 집중합니다.
•
데이터 핸들링과 자동화반은 데이터 처리 및 자동화 역량 등
실무 중심의 역량을 키우는 데 집중합니다.
[공통 사항]
서로 다른 주제지만, 실무에 적용 가능한 분석 기법을 배울 수 있다는 점은 동일합니다.
관심 분야나 필요에 따라 맞는 분반을 선택하세요!
데이터를 효율적이고 체계적으로 처리하는 능력을 기르고자 실무 위주의 강의를 진행합니다.
[어떤 것을 배우나요?]
•
데이터의 효율적인 처리와 관리, 그리고 자동화를 중심의 기초적인 데이터 핸들링
•
대규모 데이터 처리, 클라우드 활용, 그리고 자동화된 데이터 파이프라인 구현
•
기초적인 데이터 자료 구조부터 자동화 환경, 프로세스 및 클라우드구현
어떤 사람에게 추천하나요?
[이런 분을 추천합니다]
•
데이터 분석 전처리 역량은 충분하지만
실제 실무에서 쓰이는 대규모 데이터를 경험해보고 싶은 분
•
자동화 환경 구성 및 자동화 봇 개발 등
구체적인 자동화 프로젝트를 수행하고 싶은 분
•
선행 요구 역량: 데이터 분석 전처리반 (판다스)에서 배우는
문법 및 파이썬 사용 경험, 데이터 전처리 경험이 있으면 좋습니다.
신청 전 확인하기!
본 강의는 대규모 데이터를 자동화를 바탕으로 한 핸들링 실습을 중심으로 진행하며,
이론보다는 실제 사례와 코드 구현 위주로 수업이 진행됩니다.
만약 기본적인 데이터 전처리 능력이 부족하다고 느끼시는 경우
보다 원활한 수강을 위해 “데이터 분석 전처리반 (Pandas)” 또는
”데이터 분석 전처리 적용반” 수강을 권장합니다.
권장 수업 페이지로 이동하기
커리큘럼
1주차 | 강의 소개, 데이터의 흐름과 처리 |
2주차 | RAM과 DISK, 기초적 데이터 타입 |
3주차 | 데이터 타입와 파일 형식 |
4주차 | 기초적 자료 구조와 적용 실습: 리텐션 |
5주차 | 벡터화, 멀티프로세싱, 추가 실습: 세그먼트별 리텐션 |
6주차 | 컨벤션, 버전 관리, 코드 관리 |
7주차 | 머신 스펙, Disk 사용, Dask&Spark |
8주차 | 전반부 복습 |
9주차 | Batch Job, 클라우드, 데이터 웨어하우스, Docker |
10주차 | Airflow, Batch, ETL, Postgres, DW, Slack webhook |
11주차 | Looker, Redash, DM |
12주차 | Cloud run, Serverless |
13주차 | OMTM, KPI, Analytics, Data quality, data drift |
14주차 | Schema, Table/column description, Slack app |
15주차 | LLM, Text2SQL, Test query set |
16주차 | 후반부 복습 및 정리 |