개강 D-13
머신러닝을 활용한 데이터 분석 부트캠프
아이티윌 · 11회차 · 서울 강남구
PythonSQL딥러닝머신러닝K-디지털
프로그램 요약
데이터 분석 부트캠프 58기 — Python·SQL·머신러닝·딥러닝 기반 실무 데이터 수집·분석·시각화 전 과정, 산업별 실데이터 프로젝트 4개로 포트폴리오 완성
- 모집마감
- 개강 전까지
- 수업일정
- 2026.08.27 ~ 2027.02.15약 6개월
- 요일시간
- 월~금 / 09:30~18:30풀타임기관
- 모집정원
- 30명
- 총 시간
- 920시간
- 학습장소
- 서울서울특별시 강남구 역삼로 120(역삼동, 성보역삼빌딩)오프라인
- 강의장
- 2층
- 가까운역
- 역삼역 기관
- 수강료
- 40만원
- 훈련장려금
- 월 최대 80만원
출처 · 고용24 등록값 · 기관 표기분은 별도 표시
어떤 분이 수강하면 좋을지
- ✓전공·학력 무관 — K-디지털 트레이닝은 제도상 전공을 보지 않습니다
- ✓[필수사항] 내일배움카드 발급이 가능한 졸업예정자, 미취업자 해당 분야로의 학습과 취업의 진로가 뚜렷하신 분 1. 훈련에 열정이 있는 자 2. 공동체 의식을 가진 자 [우대사항] 학력 : 대졸이상의 학력 소지자 전공 : 컴퓨터공학, SW학과, 통계학, 수학 등 관련 분야 전공자 선수학습 : 프로그래밍 언어 활용능력 (파이썬), 데이터베이스 등 사전지식 보유자 자격사항 : 정보처리기사(산업기사) 취득자 직무경험 : 사회경험 보유자 (IT분야)
하루 6시간 이상 수업이라 직장·학업 병행이 어렵습니다.
출처 · 기관 랜딩페이지 · 제도 요건
커리큘럼
- 1STEP1 기초 개념 이해
SQL·PostgreSQL·윈도우함수 · R 기본문법·통계분석·가설검정 · Python 기본문법·NumPy·Jupyter
- 2STEP2 핵심 분석 스킬
Python 웹 스크래핑(Selenium, 공공API) · Pandas·XGBoost·SHAP 머신러닝 · R 데이터 시각화(ggplot2, plotly)
- 3STEP3 고급 기법 활용
R 머신러닝(회귀·분류·앙상블) · Spark SQL·MongoDB·Docker 분산처리 · 딥러닝(TensorFlow)·LLM·Tableau
- 4STEP4 실전 프로젝트(4회)
1차 수집과 저장 · 2차 데이터 추출과 시각화 · 3차 통계 및 머신러닝 · 파이널 프로젝트(자유주제 비즈니스 문제해결)
고용24 등록 교과목 22개 보기
- SQLOracle DBMS: 오라클 설치 및 SQL 기본문법 SQL 문법 및 함수: DML, DDL, 트랜잭션 관리 고급 SQL 쿼리: 뷰, 인덱스, With절, 정규식 함수
- R 기본 문법R 기초 문법: 변수 할당, 데이터 타입, 데이터 프레임 데이터 처리 및 변환: 데이터 전처리, 변환, 문자열 처리 기초 통계 분석: 통계량 계산, 분포 분석, 가설 검정
- R 데이터 시각화기초 시각화: 기본 그래프, ggplot2 패키지 활용, R 내장 함수 그래프 사용 고급 시각화: 복합 그래프, plotly 패키지 사용, 공공 데이터 시각화
- R 머신러닝머신러닝 개념 이해: 지도 학습, 비지도 학습, 수치예측을 위한 회귀분석 실습 및 응용: 기계학습 방법의 이해, 기계학습의 성능을 높이는 방법 학습 고급 머신러닝 기법: 앙상블 기법, k-hold 교차검정, kaggle 우승조 모델의 이해
- 파이썬 기본문법Python 기본: 내장 함수, 데이터 타입, 제어문 모듈 및 패키지 사용: 모듈 임포트, 주요 라이브러리, 패키지 관리 파일 입출력: 파일 읽기 및 쓰기, CSV, JSON
- 파이썬 웹스크롤링Python 데이터 분석: 웹 스크래핑 기초, BeautifulSoup, 데이터 전처리 크롤링 실습: HTML 구조, 데이터 추출 및 저장 고급 웹 스크롤링: AJAX 처리, 동적 페이지 크롤링, 자동화
- 파이썬 판다스Pandas 기본 문법: Series와 DataFrame, 데이터 로딩 및 저장 데이터 분석 및 처리: 정렬, 그룹화, 결측치 처리 고급 Pandas 기법: 시계열 데이터, 멀티 인덱스, 데이터 병합
- 파이썬 판다스 머신러닝Pandas를 활용한 데이터 전처리: 데이터 정제, 데이터 시각화 기본 머신러닝 알고리즘 적용: 회귀 분석, 분류 모델, 클러스터링 모델 평가 및 개선: 교차 검증, 성능 평가, 하이퍼파라미터 튜닝
- 리눅스&하둡Linux 기본: 파일 시스템, 사용자 관리, 쉘 스크립트 작성법 Hadoop 기본: 설치 및 구성, HDFS 이해 및 사용, MapReduce 실습 하둡 에코시스템: Hive, Pig, HBase, 스파크 연동
- 몽고DB&스파크MongoDB 기본: 설치 및 몽고디비 기본 구조의 이해 고급 MongoDB: 몽고디비 기본 명령어 100문제 풀이 및 공공 데이터 활용 Spark 기본: 설치 및 설정, RDD와 DataFrame, SQL 및 데이터 처리
- 도커컨테이너 관리: 설치 및 기본 명령어, 이미지 관리, 컨테이너 배포 고급 Docker 사용법: Compose 사용, 네트워킹, 볼륨 관리 도커와 클라우드: 이미지 배포, 클라우드 사용, Kubernetes
- 테블로 시각화데이터 시각화 도구: 설치 및 사용법, 대시보드 작성, 데이터 시각화 실습 고급 딥러닝: CNN 및 RNN 이해, 모델 튜닝, 모델 배포 데이터 스토리텔링: 시각화 자료 해석, 보고서 작성, 스토리텔링
- 딥러닝Python 딥러닝: 텐서플로우 및 케라스 기초, 신경망 구현, 모델 평가 고급 딥러닝: CNN 및 RNN 이해, 모델 튜닝, 모델 배포 딥러닝 데이터 전처리, 기본 딥러닝 모델 설계구현
- 사회 이슈 통계자료를 활용한 데이터 분석과 예측 프로젝트(중간 프로젝트)선택1 : 전국 의료 불균형 실태 분석과 예측 [데이터 수집] - 데이터 출처: 정부 공개 데이터, 건강보험심사평가원, 통계청, 공공 의료 데이터베이스 - 데이터 종류: 인구 통계 데이터 (연령, 성별, 지역별 인구) - 의료 기관 분포 데이터 (병원, 의원, 약국 등) - 의료 자원 데이터 (의료진 수, 병상 수, 의료 장비 현황) - 건강보험 청구 데이터 (진료 과목별, 질병별, 지역별) [데이터 전처리] - 결측치 처리 - 데이터 정규화 - 이상치 탐지 및 처리 [데이터 분석] - 기술적 분석: 지역별 의료 자원 분포 분석 (병원 수, 의료진 수, 병상 수 등) - 인구 대비 의료 자원 비율 분석 - 질병 발생 빈도와 의료 서비스 접근성의 상관관계 분석 - 시각화: 지도 시각화 (지역별 의료 자원 분포도), 히트맵, 바차트 등을 통한 데이터 시각화 - 통계적 분석: 회귀분석을 통한 의료 서비스 접근성과 건강 지표 간의 관계 분석, 군집분석을 통한 의료 서비스가 부족한 지역 식별 [예측 모델 개발] - 모델 선정: 다중 회귀분석, 시계열 분석 모델 (ARIMA, LSTM 등), 머신러닝 모델 (랜덤 포레스트, XGBoost 등) - 모델 학습 및 평가: 훈련 데이터와 테스트 데이터로 분리하여 모델 학습 교차 검증을 통한 모델 성능 평가 - 평가 지표: RMSE, MAE, R^2 등 선택2 : 인구수 감소에 따른 통폐합될 학교 예측 데이터 수집] - 데이터 출처: 교육부, 통계청, 지방자치단체, 학교 정보 공개 데이터베이스 - 데이터 종류: 인구 통계 데이터 (연령, 성별, 지역별 인구 변화) - 학교별 학생 수, 교사 수, 학급 수 - 학교 시설 현황 및 이용률 - 지역별 출생률 및 유입/유출 인구 데이터 - 과거 통폐합 사례 데이터 [데이터 전처리] - 결측치 처리 - 데이터 정규화 - 이상치 탐지 및 처리 [데이터 분석] - 기술적 분석: 지역별 인구 변화 추이 분석 - 학교별 학생 수 및 교사 수 변화 분석 - 학급 규모 및 시설 이용률 분석 - 통폐합된 학교들의 특성 분석 - 시각화: 지역별 인구 변화 지도 시각화, 학교별 학생 수 및 교사 수 변화 그래프, 학급 및 시설 이용률 히트맵 - 통계적 분석: 회귀분석을 통한 인구 변화와 학교 통폐합 간의 관계 분석, 군집분석을 통한 통폐합 위험이 높은 학교 식별 [예측 모델 개발] - 모델 선정: 다중 회귀분석, 시계열 분석 모델 (ARIMA 등), 머신러닝 모델 (랜덤 포레스트, XGBoost 등) - 모델 학습 및 평가: 훈련 데이터와 테스트 데이터로 분리하여 모델 학습 교차 검증을 통한 모델 성능 평가 - 평가 지표: RMSE, MAE, R^2 등 선택3 : 가뭄의 빈도에 따른 우리나라 국내 댐별 물 보유량 예측 {데이터 수집] [데이터 전처리] [데이터 분석] [예측 모델 개발] 선택4 : 서울시 부동산 실거래가 분석을 통해 가격에 가장 큰 영향을 미치는 요인 분석 [데이터 수집] [데이터 전처리] [데이터 분석] [예측 모델 개발] 선택5 : 자유주제 또는 음원 차트 히트곡들의 특징 추출 및 패턴 찾기 [데이터 수집] [데이터 전처리] [데이터 분석] [패턴 찾기 및 모델 개발] * 굴자수 부족으로 상세내용 훈련운영계획서 및 사업개요서 참조
- 바이오 이미지 데이터 분석 프로젝트_바이오, 얼굴, 상품 분석(파이널 프로젝트)선택1: 진단킷 바이오 이미지 데이터 분석을 활용한 질병 분석 [데이터 수집] -애완동물 및 질병정보 -진단킷 색상정보 [데이터 전처리] -이미지 정규화 및 스케일링 -이미지 이진화 및 라벨링 -데이터 증강(Data Augmentation) 기법 적용 -잡음 제거 및 이미지 개선(필터링, 해상도 조정 등) -메타 데이터와의 매칭 및 통합 [데이터 분석] -이미지 데이터의 기본 통계 분석 -주요 특징 시각화(히스토그램, 분포 그래프 등) -이상치 탐지 및 처리 -이미지 처리 기법을 활용한 주요 특징 추출 (경계선 검출, 텍스처 분석 등) -CNN을 활용한 자동 특징 추출 [모델 개발 및 평가] 1) 모델 선정 -머신러닝 모델: 랜덤 포레스트, SVM 등 -딥러닝 모델: CNN, ResNet, VGG 등 2) 모델학습 -훈련 데이터와 검증 데이터를 통한 모델 학습 -교차 검증을 통한 모델 성능 평가 3) 모델 평가 -정확도, 정밀도, 재현율, F1 스코어 등 평가 지표 계산 -ROC 커브 및 AUC 분석 [결과 분석 및 시각화] -모델의 최종 성능 요약 -주요 특징 및 패턴 분석 결과 -애완동물 질병 진단 모델의 실용성 평가 -진단 결과 및 주요 특징 시각화 -모델 성능 평가 그래프(ROC 커브 등) 선택2 : 실시간 얼굴인식 인디케이터를 활용한 신원(범죄)조회 시스템 [데이터 수집] -공개 데이터셋 활용 -예시 데이터셋: LFW (Labeled Faces in the Wild), CelebA, VGGFace2 등 -장점: 다양한 얼굴 이미지가 포함되어 있어 모델 학습에 유용 -카메라 설치 및 데이터 수집: 프로젝트 진행을 위해 카메라를 설치하여 다양한 환경에서 얼굴 이미지를 수집 -고해상도 카메라를 설치하여 얼굴 이미지 데이터를 수집 -온라인 데이터 수집: 웹 크롤링 및 스크래핑 기술을 활용하여 인터넷에서 얼굴 이미지 데이터 수집 [데이터 전처리] -중복 데이터 제거: 중복된 얼굴 이미지와 신원 정보 제거 -노이즈 제거: 이미지 데이터에서 노이즈 제거 및 품질 향상 [데이터 데이터 레이블링] -신원 정보 라벨링: 수집된 얼굴 이미지와 신원 정보를 매칭하여 라벨링 -범죄 기록 라벨링: 범죄 기록 데이터를 신원 정보와 연결하여 라벨링 [데이터 증강] -이미지 증강: 다양한 조명, 각도, 표정 변화를 적용하여 데이터 증강 -기법: 회전, 확대/축소, 밝기 조절, 노이즈 추가 등 -모델의 일반화 능력 향상 [데이터 저장 및 관리] -데이터베이스 구축: 효율적인 데이터 관리를 위해 데이터베이스 구축 -선택 기술: SQL, NoSQL 데이터베이스 -관리 방식: 데이터 백업, 정기적인 데이터베이스 점검 및 최적화 [평가 계획] -기능성 평가: 시스템의 주요 기능이 제대로 동작하는지 평가 -성능 평가: 얼굴인식 정확도, 실시간 처리 속도 평가 -사용성 평가: 사용자 인터페이스의 사용성 평가 -보안 평가: 데이터 보안 및 접근 제어 평가 선택3: 제품 이미지 분석을 활용한 제품정보 제공 프로젝트 또는 자유주제 [데이터 수집] -웹스크래핑: BeautifulSoup, Scrapy를 사용하여 웹에서 제품 이미지를 수집하고, 필요한 데이터를 추출. [데이터 전처리] -데이터 정제: Pandas를 활용하여 결측치 처리, 데이터 정규화, 중복 제거 등 데이터 정제 수행 -이미지 전처리: OpenCV, Pillow를 사용하여 이미지 크기 조정, 색상 보정, 노이즈 제거 등 이미지 전처리 [데이터 분석] -CNN을 활용하여 제품 이미지에서 특징을 추출 [모델 개발] -딥러닝 모델: TensorFlow, Keras, PyTorch를 사용하여 CNN, RNN 등의 딥러닝 모델을 설계하고 학습
- 중간 프로젝트 발표회1훈련생 포트폴리오 준비 및 발표 조별 발표 및 개인별 역할 수행 발표 프로젝트 최종 멘토링 및 평가 프로젝트 시상
- 파이널 프로젝트 발표회2훈련생 포트폴리오 준비 및 발표 조별 발표 및 개인별 역할 수행 발표 프로젝트 최종 멘토링 및 평가 프로젝트 시상 수료식
- 현장 실무 특강1현장중심의 기술적 동향 특강 빅데이터 및 머신러닝 분야 핵심 기술 현업 머신러닝 프로젝트 사례 인공지능 시대의 면접 요령
- 현장 실무 특강2 및 중간 프로젝트 OJT머신러닝 활용 데이터 분석 기획 특강 프로젝트 및 산업별 데이터셋 처리 및 활용 전략 머신러닝 활용 데이터 분석 프로젝트 과업 제시 OJT 훈련생 조편성, 멘토 구성 및 OT
- 현장 실무 특강3도커를 활용한 서비스 사례 빅데이터 처리 기술 공공데이터 활용 전략 산업별 데이터 수집 전략
- 현장 실무 특강4 및 파이널 프로젝트 OJT딥려닝 활용 데이터 분석 기획 특강 딥러닝을 위한 산업별 데이터셋 처리 및 활용 전략 딥러닝 활용 데이터 분석 프로젝트 과업 제시 OJT 훈련생 조편성, 멘토 구성 및 OT
- 총 훈련시간920 시간
출처 · 기관 랜딩페이지 · 접힘은 고용24 등록 교과목
지원 혜택
금전 지원
- ·개강 후 1주일까지 입과 가능(국민내일배움카드 발급 완료자 한정)
취업 연계
- ·입과 첫날부터 1:1 전담 컨설턴트 5단계 진로설정(전공·경력 파악→직무매칭→맞춤형 포트폴리오→취업성공→기업 자격요건 충족)
- ·이력서·포트폴리오 첨삭(현업 출신 컨설턴트)
- ·1:1 면접 코칭(직무별 예상질문·모의면접)
- ·200+ 협약기업 채용 연계
- ·도메인 타겟팅 전략 수립, 채용 맞춤형 포트폴리오 기획(목표기업 채용요건 역산)
- ·수료 후 지속 취업지원(취업 확정 시까지)
출처 · 기관 랜딩페이지 · 훈련장려금은 제도
지원 절차
기관이 공개한 절차 정보가 없습니다. 지원하면 상담에서 안내받습니다.
출처 · 기관 랜딩페이지 · 기관마다 다릅니다
자주 묻는 질문
비전공자도 지원할 수 있나요?
K-디지털 트레이닝은 제도상 전공·학력을 보지 않습니다. 다만 기관이 밝힌 훈련 대상이 있어 위 「어떤 분이 수강하면 좋을지」를 함께 확인하세요.
내일배움카드가 꼭 있어야 하나요?
지원 시점에 없어도 됩니다. 상담 단계에서 발급을 진행합니다. 다만 수강신청은 카드가 있어야 마칠 수 있습니다.
실제로 얼마를 내나요?
40만원입니다. 정가 8,733,560원 중 8,333,560원을 정부가 지원합니다. 교육비 8,733,560원, 국민내일배움카드 보유 시 약 95% 할인, 자부담 400,000원. 훈련수당 매월 최대 80만원(6개월 출석률 충족 시 최대 480만원).
선발 절차가 있나요?
기관이 공개한 절차에서 별도 시험·전형은 확인되지 않았습니다. 상담 후 수강신청으로 이어집니다.
훈련장려금을 받을 수 있나요?
출석률 조건을 채우면 월 최대 80만원까지 받을 수 있습니다. 지급 조건은 기관·제도 기준을 따릅니다.
예전에 국비 교육을 들었는데 또 되나요?
중복수강 제한이 있을 수 있습니다. 최근 수료 이력이 있으면 상담 단계에서 먼저 확인해야 합니다.
출처 · 제도 요건 · 과정 데이터로 답이 채워지는 질문만
기관 랜딩페이지 https://www.itwill.co.kr/cmn/eduCrseMain/1000000/all/CRSE_00000000000856eduCrseMainDetail.do
고용24 2026-08-14 기준 · 매일 갱신
