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?]
•
AI가 코드를 대신 짜주는 시대에 맞춘 효율적인 데이터 핸들링과
결과를 의심하고 검증하는 판단 능력 학습
•
Python과 SQL을 활용해 데이터를 수집, 정제하고
대용량 데이터 처리 및 속도와 정확성을 비교·검증
•
n8n, Claude Code 등의 도구를 활용해 반복적인
리포트 작업을 자동화하고 자산화하는 파이프라인 경험
어떤 사람에게 추천하나요?
[이런 분을 추천합니다]
•
Python 기초 문법과 pandas 사용 경험은 있지만, AI 도구를 활용해 데이터 핸들링과 자동화 프로세스를 구축해 본 경험이 부족하신 분
•
단순한 통계·인사이트 중심의 분석을 넘어,
분석가로서의 데이터 핸들링 실력과
반복 작업의 자동화 역량을 탄탄하게 쌓고 싶은 분
•
선행 요구 역량: Python 기초 문법(변수·반복문·함수)에 대한 이해가 필수적으로 요구됨
신청 전 확인하기!
본 강의는 AI 환경에서의 효율적인 데이터 핸들링과 반복 작업의 자동화 실습을 중심으로 진행하며,
이론보다는 실제 사례와 코드 검증 위주로 수업이 진행됩니다.
만약 기본적인 데이터 전처리 능력이 부족하다고 느끼시는 경우
보다 원활한 수강을 위해 “데이터 분석 전처리반 (판다스)” 분반 수강을 권장합니다.
권장 수업 페이지로 이동하기
커리큘럼
1주차 | AI로 데이터 가져오기 — 받은 게 맞는지부터 의심한다 |
2주차 | 흩어진 데이터를 모으면 커진다: 부피·메모리 진단 |
3주차 | 소스마다 형식이 다르다: CSV·Excel·JSON·Parquet 판단 |
4주차 | 가져온 raw는 더럽다: 정제 = 의심 |
5주차 | SQL① 집계를 SQL로 — AI 쿼리를 읽고 검증한다 |
6주차 | SQL② 윈도우 함수·서브쿼리의 미묘한 오류 |
7주차 | 효율적 전처리: 벡터화 vs 반복문 — 왜 빠른지, 맞는지 |
8주차 | 재현 가능한 코드: 폴더·컨벤션·Git (AI 협업의 전제) |
9주차 | 전반부 복습 + Pandas의 한계: 언제 손절하나 |
10주차 | 과제 1 리뷰 + 자동화 사고: 반복을 분해한다 |
11주차 | 반복 리포트 자동화(Python): 한 번 만들어 재실행 |
12주차 | 노코드 파이프라인 데모: n8n [데모] |
13주차 | AI 에이전트로 데이터 작업: Claude Code |
14주차 | Text2SQL과 분석 자동화 [데모] |
15주차 | 지표로 마무리: OMTM·KPI·데이터 품질 |
16주차 | 과제 2 발표와 회고 |
맨 위로 돌아가기