강의계획서
‘데이터 분석 실전반 - 지표 설계 및 고객 분석’과 뭐가 다른건가요?
•
지표 설계 및 고객 분석반은 지표(KPI) 설계와 고객 세분화, 예측 모델링 등을 통해
비즈니스 인사이트를 발굴·활용하는 데 집중합니다.
•
추천 시스템 구현반은 Rule 기반·연관성 분석·딥러닝·머신러닝 등
다양한 추천 알고리즘을 설계·구현하는 데 집중합니다.
[공통 사항]
서로 다른 주제지만, 실무에 적용 가능한 분석 기법을 배울 수 있다는 점은 동일합니다.
관심 분야나 필요에 따라 맞는 분반을 선택하세요!
모델링을 완전히 익히고 분석 역량을 높이고자 하는 분을 위해 프로젝트 형식의 강의를 진행합니다.
[어떤 것을 배우나요?]
•
금융 상품 데이터를 활용한 실전 구현 학습
•
콘텐츠 기반, 협업 필터링부터 행렬분해, 딥러닝까지
단계별 알고리즘 설계 및 구현
•
주식/ETF 데이터를 분석해 API 배포와 대시보드 시각화까지
추천 시스템의 전 과정 경험
어떤 사람에게 추천하나요?
[이런 분께 추천합니다]
•
파이썬/Pandas 활용과 머신러닝 기초 역량은 갖추었지만
추천 시스템을 실제로 구현해 본 경험이 부족하신 분
•
금융 데이터를 활용해 다양한 추천 알고리즘을 실습하며
실무적인 데이터 파이프라인 역량을 쌓고 싶은 분
•
선행 요구 역량: 파이썬/Pandas 사용 경험 및
Machine Learning 기초 지식을 숙지하고 있어야 함
신청 전 확인하기!
본 강의는 추천 시스템 구현 실습을 중심으로 진행하며.
이론보다는 실제 사례와 코드 구현 위주로 수업이 진행됩니다.
만약 기본적인 데이터 모델링 능력이 부족하다고 느끼시는 경우
보다 원활한 수강을 위해 “데이터 분석 모델링반 (ML1)” 수강을 권장합니다.
권장 수업 페이지로 이동하기
커리큘럼
1주차 | 강의 소개, 추천 시스템의 주요 특징 |
2주차 | 통계 기반 추천, 오프라인 평가 |
3주차 | 시계열적 데이터 분할, 콜드 스타트 |
4주차 | 행렬 분해 기반의 추천 모델의 이해와 구현: ALS/BPR/NMF |
5주차 | Two-stage 구조 이해 |
6주차 | MLP, FM, Wide & Deep, DeepFM이해 |
7주차 | ETL, Airflow Batch, Storage 이해 |
8주차 | FastAPI, Swagger, Virtual machine 이해 |
9주차 | Dashboard, Feature distribution, simulation 이해 |
10주차 | Review |