개강 D-6
모빌리티 Data Science 프로젝트
현대엔지비(주) 원격평생교육시설 · 2회차 · 서울 관악구
딥러닝머신러닝K-디지털기초
프로그램 요약
- 모집마감
- 개강 전까지
- 수업일정
- 2026.08.20 ~ 2026.10.19약 2개월
- 모집정원
- 42명
- 총 시간
- 미표기
- 학습장소
- 서울서울특별시 관악구 관악로 1(신림동, 서울대학교)온라인
- 강의장
- 서울대학교 314동 4층 일부
- 수강료
- 미공개 상담 시 확인
출처 · 고용24 등록값 · 기관 표기분은 별도 표시
어떤 분이 수강하면 좋을지
- ✓전공·학력 무관 — K-디지털 기초역량은 제도상 전공을 보지 않습니다
- ✓[직무융합] 모빌리티 산업에서의 데이터 분석 및 활용 역량 향상에 초점
- ✓학습 동기 및 목표가 현업에서의 인공지능/머신러닝/딥러닝 역량 향상과 관련이 있는 자
- ✓통계 및 머신러닝에 대한 중급 수준의 사전 지식을 가지고 있는 자(‘AI 딥러닝 백과사전’ 및 ‘모빌리티 Data Analytics 프로젝트’ 수료 인원 우대)
- ✓파이썬 프로그래밍에 대한 경험이 있는 자
출처 · 기관 랜딩페이지 · 제도 요건
커리큘럼
고용24 등록 교과목 18개 보기
- 교과목단원명
- 실제 데이터 이해 및 실제 문제 정의자동차 도메인의 이미지/센서 데이터 구조 및 특징 데이터 수집 방식, 오류 유형, 노이즈 및 결측치 예시 습득 전처리가 중요한 이유 및 실제 문제 정의 절차 이해
- 이미지 데이터 분류_데이터 이해이미지 분류 문제의 구조 이해 (Input–Output 매핑, 레이블 구조 등) 클래스 불균형, 데이터 품질 문제 확인 데이터 분포 분석
- 이미지 데이터 분류_데이터 전처리기본 이미지 전처리에 대한 이해 증강 기법 활용 전처리 결과의 시각적 확인 및 성능 영향 이해
- 이미지 분류 및 객체 탐지 모델 구축과 평가CNN 기반 이미지 분류 모델 설계 컴파일 및 학습 방법 학습 과적합 방지를 위한 기법 이해 객체 탐지 문제 정의와 전처리, 모델 구조 이해 학습·추론 과정과 성능 평가 지표 활용 방법 습득
- 딥러닝을 활용한 최적인자 도출기법과 최적화 기초 (1)최적인자(Optimal Parameter)의 개념과 필요성 손실 함수(Loss Function) 최소화를 통한 최적화 개념 이해 최적화 문제의 실제 사례 및 수치 최소화 기초 이해 비구속 최적화, 수렴 등 최적화 기본 이슈 정리
- 최적화 기초 (2)Adam Optimizer 비교 및 수식 해석 최적화 기법에 따른 학습곡선 및 성능 차이 분석 실제 모델 성능 향상 사례 습득
- Pytorch 기초Pytorch의 텐서 구조 및 기본 연산 실습 연산 추적, 텐서의 requires_grad 속성 이해 모델 구성의 기본 틀 습득
- Autograd를 통한 최적인자 도출 (1)연산 그래프 및 역전파 구조 이해 파라미터 업데이트 흐름 및 동작 분석
- Autograd를 통한 최적인자 도출 (2)Autograd를 활용한 실전 최적화 실습 다양한 Optimizer 적용 및 성능 비교 학습률 조정, 과적합 대응 등 최적화 이슈 분석
- DNN,RNN의 이해와 시계열 데이터 예측 실습인공신경망(ANN) 개념과 구성 요소 이해 딥러닝 기본 프로세스와 회귀 문제 정의 및 평가 지표 습득 DNN을 활용한 가속도 변화 예측과 차량 주행 데이터 특성 추출 실습 RNN, LSTM, GRU 구조 이해 및 학습 결과 시각화와 모델 비교 분석
- CNN과 이미지 데이터 전처리, 증강기법 실습CNN 기본 구조와 작동 원리 이해 차량 주행 데이터를 이미지 형태로 변환하고 활용 방법 학습 이미지 데이터 구조(RGB, 채널, 해상도 등) 및 차량 이미지 데이터셋 이해 이미지 리사이징, 정규화, 정제 등 전처리 기법 습득
- CNN 기초와 변형 모델 실습이미지 분류 문제 정의와 대표 활용 사례 이해 간단한 CNN 모델 설계 및 후미등 상태 분류 모델 구성 사전학습된 모델 활용 개념과 클래스 수 조정 방법 습득 오버피팅 방지를 위한 Dropout, Regularization 적용
- 이미지 특징 추출과 객체 분석 실습사전학습된 모델 이해 및 Transfer Learning, Fine-tuning 전략 습득 ResNet 기반 모델을 활용한 후미등 분류 성능 향상 실습 객체 검출 개요와 주요 모델(YOLO, SSD, Faster R-CNN) 이해 차량 후미등 객체 검출을 위한 어노테이션 구성 방법 학습
- 이미지 분할(Image Segmentation)이미지 분할 기본 개념 및 대표 모델 구조 학습 입력/출력 구조 및 Loss 함수 이해 데이터 라벨링 및 전처리 실습
- 시계열 데이터 분석 기초와 전통적 처리 기법시계열 데이터의 개념, 특징 및 구성 요소 이해 시계열 데이터 시각화와 상관관계 분석, EDA 실습 AR, MA, ARMA, ARIMA 등 전통적 시계열 모델 학습 잔차 분석을 통한 예측 성능 검증 방법 습득
- 머신러닝과 딥러닝을 활용한 시계열 데이터 처리시계열 데이터를 위한 특징 엔지니어링 방법 머신러닝 모델을 활용한 교통량 예측 예측 성능 비교 및 해석 딥러닝 모델에 대한 이해 시계열 데이터를 위한 딥러닝 입력 구조 설계
- 총 훈련시간18 시간
출처 · 고용24
지원 혜택
기관이 공개한 혜택 정보가 없습니다. 상담에서 확인하세요.
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 기초역량은 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.
선발 절차가 있나요?
기관이 공개한 절차에서 별도 시험·전형은 확인되지 않았습니다. 상담 후 수강신청으로 이어집니다.
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 랜딩페이지가 확인되지 않았습니다. 아래 정보는 고용24 등록값입니다.
고용24 2026-08-14 기준 · 매일 갱신
