1비전공자를 위한 기초 통계의 직관적 해석–비전공자도 통계를 공부해야 하는 이유–고등학교 때 수학 공부가 힘들었는데 시작할 수 있을까
2데이터 구조 이해를 위한 기초 통계 및 탐색적 분석(EDA) 원리- 데이터 탐색과 통계 공부 필요성
3데이터 분석의 기초와 중요성 (1)- EDA의 정의와 목적
4데이터 분석의 기초와 중요성 (2)–비즈니스 의사결정에서 EDA역할–EDA 프로세스–EDA 통한 인사이트 분석
5비지도 학습–지도학습의 개념–주요 비지도학습 알고리즘–비지도학습 알고리즘 평가
6AI 모델링 프로세스 이해하기- AI 모델링 프로세스
7모델 성능 향상시키기–하이퍼파라미터튜닝 개념과 중요성–그리드 서치와 랜덤서치–베이지안 서치와 튜닝 전략
8딥러닝 모델링–인공신경망의 이해 및 구조–인공신경망의 구성요소 (가중치와 편향, 활성함수)–인공신경망의 학습 (경사하강법, 역전파 알고리즘)
9지도학습 회귀 기본 - 비행기 연착시간 예측 (1)–프로젝트 개요 및 문제 정의–데이터 수집 및 품질 확인
10지도학습 회귀 기본 - 비행기 연착시간 예측 (2)- 데이터 탐색 및 피처 엔지니어링
11지도학습 회귀 기본 - 비행기 연착시간 예측 (3)–모델 구축 및 평가–모델 최적화 및 활용
12지도학습 회귀 심화 - 택시요금 예측 (1)–프로젝트 개요 및 문제 정의–데이터 수집 및 품질 확인
13지도학습 회귀 심화 - 택시요금 예측 (2)–데이터 탐색 및 피처 엔지니어링–모델 구축 및 평가–모델 최적화 및 활용
14지도학습 분류 심화 - 대출 승인 예측 (1)–프로젝트 개요 및 문제 정의–데이터 수집 및 품질 확인
15지도학습 분류 심화 - 대출 승인 예측 (2)–데이터 탐색 및 피처 엔지니어링–모델 구축 및 평가–모델 최적화 및 활용
16지도학습 분류 기본 - 통신사 고객 이탈 예측 (1)–프로젝트 개요 및 문제 정의–데이터 수집 및 품질 확인–데이터 탐색
17지도학습 분류 기본 - 통신사 고객 이탈 예측 (2)–피처 엔지니어링–모델 구축 및 평가–모델 최적화 및 활용
18비즈니스 데이터 이해하기
–비즈니스 데이터 유형–데이터 품질 평가–비즈니스 컨텍스트에서 데이터 이해하기–가설 및 질문 만들기
19주요 EDA 1 - 단일 변수 분석–연속형 변수 분석–범주형 변수 분석–시계열 변수 분석
20주요 EDA 2 - 변수간의 관계 분석–(선형) 상관 관계 분석–(집단간) 차이 분석
21내비게이션 도착시간 예측 데이터 기반 EDA 실습
–품질평가–단변수 별 특징분석–변수간 관계 분석–EDA (어느시간대가 가장 많이 밀릴까?, 요일별 속도는 차이가 있나?), 및 결과 요약
22온라인 커머스 데이터 기반 EDA 실습
–데이터 확인 및 품질평가–단변수 별 특징분석 (스테디 셀러와 베스트셀러, 시즌별 상품 등)–단변수 별 특징분석 심화 (상품분석, 지역분석, 시즌성 분석)–EDA 결론 및 인사이트 도출 & 액션플랜
23데이터 프레임 다루기–필요한 데이터 선택하기–파생변수(피처) 만들기–변수(피처) 삭제하기
24다양한 소스의 데이터 합치기 (병합하기)
–데이터 통합 방법 (수직 vs 수평 통합)–데이터 수평 통합 방법 (Merge)–데이터 수직 통합 방법 (Union)–수직 병합시 주의사항 및 데이터 정합성 확인방법
25데이터 품질 확인하기 - 결측치–결측치 발생 원인 및 유형의 이해–결측치가 분석에 미치는 영향–결측치 종류에 따른 처리 방법
26데이터 품질 확인하기 - 이상치 처리–이상치의 정의 및 영향력–이상치 탐지 방법–이상치 처리 방법
27내비게이션 도착시간 예측 데이터 병합–데이터 합치기 실습 Signal 데이터 join 및 품질 평가하기–추가된 데이터의 관계 확인하기–추가된 데이터 EDA
28지도학습 (1)–지도학습의 개념과 종류–주요 분류 알고리즘–주요 회귀 알고리즘
29지도학습 (2)–분류 모델 평가–회귀 모델 평가–데이터 분할
30군집분석 - e-commerce 고객 군집화
–프로젝트 개요 및 문제 정의–데이터 수집 및 NULL값 확인–이상치 탐색 EDA 및 RFM 스코어생성–군집 생성 해석 및 활용
31차원축소 - 차원축소를 사용한 마케팅 고객 군집화
–프로젝트 개요 및 문제 정의–데이터 탐색 및 전처리–차원 축소 및 의미 확인–군집 분석 및 결과 해석
32심층신경망 적용 회귀 - 택시요금 예측
–신경망을 위한 환경세팅–신경망을 위한 데이터 전처리–회귀 문제를 위한 신경망 구조 설계 및학습–모델 평가 및 적용
33심층신경망 적용 분류 - 통신사 고객 이탈 예측–신경망을 위한 환경세팅–이진 분류 모델 구조 설계 및 모델링–모델 학습 및 모델 평가와 적용
34ChatGPT를 이용한 대출 승인 예측 모델링–ChatGPT를 활용한 데이터 분석 프로세스 설계–데이터 전처리 및 특성 공학 자동화–모델링 및 하이퍼파라미터 튜닝 최적화
35ChatGPT를 이용한 정형 / 비정형 데이터 - 이커머스 리뷰–정형 데이터와 텍스트 데이터 통합 분석 설계–리뷰 텍스트 분석 및 감성 점수화–통합 모델링 및 고객 세그먼테이션 및 인사이트 도출
36실습 문제 풀이 - 내비게이션 도착시간 예측
–분석환경 세팅 및 데이터 불러오기, 데이터 병합하기–데이터 가공 및 탐색 (컬럼 삭제 및 Null 값 확인 및 탐색)–데이터 선택 및 변수 가공–데이터 분할 및 모델링 성능평가
37실습 문제 풀이 - 퇴사 예측 (1)–분석환경 세팅 및 데이터 불러오기, 데이터 병합하기–퇴사 원인 분석(부서별 차이분석, 연령대별 차이)–데이터 분할, 더미변수생성, 정규화
38실습 문제 풀이 - 퇴사 예측 (2)–다양한 모델링(그레디언트 부스팅, SVM) 및 정확도 평가–특성 중요도 분석, 성능 향상 및 저장
39실습 문제 풀이 - 위싱턴 부동산 주택 가격 예측 (1)–데이터 불러오기, 병합 및 변환–탐색적 데이터 분석(연속형 변수의 관계분석 및 명목형 변수 확인)–데이터 전처리 및 피처 엔지니어링
40실습 문제 풀이 - 위싱턴 부동산 주택 가격 예측 (2)–ML 모델링 구축 및 비교(통계 모형, 의사결정나무)–딥러닝 모델링 구축 및 비교
41[AI 윤리] 공존을 위한 가이드라인: 인공지능 윤리와 책임 있는 활용–AI 기술이 야기하는 윤리적 쟁점–국내외 AI 윤리 원칙과 법제도의 이해
42[데이터 보안] 디지털 시대의 안전망: 개인정보 보호의 법적 / 윤리적 기준–데이터 보안의 기본 개념과 위협 유형 이해–개인정보 보호의 법적, 윤리적 기준 이해
43[저작권] AI와 창작의 경계: 저작권의 개념과 디지털 환경의 쟁점–저작권의 기본 개념과 보호 범위의 이해–디지털 환경과 AI 시대의 저작권 쟁점 설명
수강 대상
내배픽 요약
K-디지털 기초역량훈련은 제도상 전공과 학력을 보지 않습니다. 아래는 기관이 덧붙인 조건입니다.
기초 수리 및 통계 지식이 부족하여 AI 진입 장벽을 느끼고 있으나, 데이터 가공 감각부터 차근차근 익혀 전문 개발자로 성장하고자 하는 구직자
AICE와 같은 공인 자격 취득을 통해 객관적인 AI 모델링 역량을 증명하고 싶은 입문자
직원 퇴사 원인 분석이나 고객 세그먼테이션 등 실제 비즈니스 문제를 AI 모델링을 통해 해결하고, 데이터 기반의 액션 플랜을 수립하고자 하는 재직자
조건 2개 더 보기
엑셀 기반의 수동 분석을 넘어 LLM과 머신러닝을 결합하여 분석 업무의 자동화 및 효율화를 꾀하는 실무자
KDT 등 심화 과정의 진입을 위해 데이터 전처리부터 심층신경망 구조까지 실질적인 AI 개발 프로세스 전반을 미리 경험하고자 하는 예비 훈련생
수강생 후기
AI 엔지니어 입문, 데이터 가공부터 AICE 자격 취득까지를 공부하면서 데이터 접근방식부터 처리과정 그리고 머신러닝 및 딥러닝을 알게되어서 뜻깊은 시간이었습니다. 교육동기는 직장동료가 Colab을 이용한 데이터 분석을 하는 것을 보면서 어떻게 하는건지 궁금하여 관련정보를 찾다가 수업듣게 되었습니다. 강의 내용이 방대하고 비전공자라서 수업내용을 이해하는데 시간이 많이 걸렸습니다. 수업시간자체는 길지 않은것 같은데 직접코드를 입력하고 따라하는데 시간이 걸리다보니 완강까지 진도를 나가는것이 무척 힘들다고 생각하였습니다. 나중에는 코딩따라하는것은 포기하고 강의 듣는것에만 집중하게 되어, 시간 부족한 것에 아쉬운점이 있었습니다. 하지만 강의를 통해 평소에 궁금해 하던 것을 알게되었고 무척이나 보람진 시간이었다고 생각합니다. 이제는 배운것을 토대로 스스로 계속 학습하여 오늘보다 좀더 나은 내일을 만들어 보겠습니다. 감사합니다.
저는 처음 AI 엔지니어링에 입문했을 때, 방대한 학습량과 낯선 용어들 때문에 어디서부터 시작해야 할지 막막했습니다. 하지만 이번 '데이터 가공부터 AICE 자격 취득까지' 과정을 통해 파이썬 기초부터 실무 AI 활용까지 체계적으로 기본기를 다질 수 있었습니다. 비전공자나 초보자도 차근차근 따라갈 수 있도록 탄탄하게 구성된 점이 가장 만족스러웠습니다. 이 과정은 막연했던 AI 기술을 실질적인 '나의 무기'로 만들어준 훌륭한 길잡이였습니다. 데이터 수집, 전처리, 모델링, 평가로 이어지는 AI 파이프라인의 전체 흐름을 완벽히 이해하게 된 것이 가장 큰 수확입니다. 앞으로는 여기서 배운 지식을 바탕으로 개인 미니 프로젝트를 진행해 포트폴리오를 고도화할 계획입니다. AI 엔지니어를 꿈꾸는 입문자에게 강력히 추천합니다!
품질, 생산, SCM, 영업, DX, 구매, 개발 등 정말 다양한 직군에서 데이터를 입맛에 맞게 가공하는 기술들을 요구하는 시대가 되었습니다. 해당 교육과정은 이러한 시대의 흐름을 제대로 대변하고 정확히 반영하였다고 생각합니다. 덕분에 Google Colab을 통해 더 나은 모델을 선택하고, 결측치를 파악하여 더 좋은 품질의 데이터를 얻게 하는 방법을 배웠으며, 이는 제가 가고자 하는 생산 및 품질 직군에 큰 도움이 될 것 같습니다. 이번 기회를 토대로 꾸준히 복습을 하여 AICE Associate도 꼭 합격하고, 그와 함께 데이터 분석을 실무에 적용할 수 있는 생산 엔지니어나 품질보증 전문가로 성장하겠습니다.
