📈 Time Series DL/ML

패스트캠퍼스 딥러닝/머신러닝을 활용한 시계열 데이터 분석 수강생을 위한 배포용 데이터와 모델입니다.

강의는 총 6개의 파트로 구성되어 있습니다.

Part 1. 데이터 분석 첫 걸음 떼기

데이터 분석과 통계검정의 개념을 배웁니다

분석환경에서 직접 다운받아 사용합니다

Part 2. 머신러닝으로 데이터 실무 맛보기

/income (인구 센서스 데이터) 머신러닝으로 소득구간 분류 모델 만들기

/fraud (신용카드 거래 데이터) 시계열 처리와 머신러닝을 조합하여 학습모델 개선하기

Part 3. 본격 시계열 데이터 분석하기(단변량 시계열)

/world-war-ii (제2차 세계대전 공중폭격 정보) 시계열 데이터의 통계적 특성과 전처리

/weatherww2 (제2차 세계대전 날씨관측 정보) 시간불변 변수와 시간가변 변수의 조합과 예측

Part 4. 데이터 사이언티스트로 도약하기(다변량 시계열)

/market (금융시장 데이터) 다양한 모델 이용하여 시장 예측하고 포트폴리오 수익률 최적화하기

Part 5. 딥러닝을 이용하여 정교하게 예측하기

CNN과 LSTM 실습은 분석환경에서 직접 다운받아 사용합니다

/climate (기상 데이터) 딥러닝으로 기상 시계열 예측하기

Part 6. 최신 사례로 실습 포트폴리오 확장하기

/sales (매출 데이터) 지도학습 (1) Prophet 패키지 이용하여 간단하게 매출 예측하기

/crime (공공 데이터) 지도학습 (2) LSTM 이용한 범죄율 예측 + GEV 분포 적용하여 극단값 보정하기

/macro (경제 데이터) 비지도학습 (1) Dynamic Time Warping으로 유사한 움직임 보이는 구간 찾기

/motion (센서 데이터) 비지도학습 (2) 오토인코더 + 다차원 시계열 클러스터링으로 3d 모션센서 데이터 분석하기

📚 외부 참고자료

• [Part 2] LightGBM: A Highly Efficient Gradient Boosting Decision Tree, NeurIPS, 2017 (pdf)
• [Part 2] Towards Causal Representation Learning, 2021 (pdf)
• [Part 2] Practitioners Guide to MLOps, Google, 2021 (pdf)
• [Part 4] Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Engle, 1982 (pdf)
• [Part 4] Portfolio Selection, Markowitz, 1952 (pdf)
• [Part 5] Learning Representations by Back-propagating Errors, 1986 (pdf)
• [Part 6] Forecasting at Scale, Facebook, 2017 (pdf)

📢 Announcement

각각의 데이터 출처는 강의에서 고지한 바와 같으며, 추후 변경이 있을시 안내 후 업데이트 하겠습니다.

❓ Questions & Answers

본 강의에서 질문이 있을시 강사가 직접 답해드리는 질의응답 채널이 마련되어 있습니다. 많은 이용 바랍니다.