전체교육일정
교육개요
이상탐지와 분류 모델링부터 시작하여 다양한 기술을 활용해 데이터의 패턴을 발견하고 분석합니다.
LSTM, CNN-AE 등을 활용하여 시계열과 이미지 데이터에서의 이상을 감지하는 방법도 배웁니다.
데이터 분석과 이상징후 탐지 분야에서의 전문가로 성장해보세요!
교육목표
다양한 이상탐지 기법을 이해하고, 기계학습 및 딥러닝을 활용하여 이상징후를 효과적으로 감지하고 대응하는 기술을 학습한다.
강의내용
[Chapter1. 이상탐지 개요]
· 학습 목표
이상징후 탐지의 기본 개념 및 활용 사례를 이해하고 실제 업무에 적용 가능한 통찰력을 기릅니다.
· 주요 내용
1. 이상탐지와 분류 모델링 비교
2. 이상탐지 과제의 난관
3. 이상탐지 과제 수행 절차
[Chapter2. 분류 모델링기반 이상탐지]
· 학습 목표
분류 모델을 활용하여 이상탐지 기법을 구성하고, 모델의 성능을 평가하는 방법을 익힙니다.
· 주요 내용
1. cut-off value 이해
2. Class Imbalance문제해결1 - Resampling
3. Class Imbalance 문제해결2 - Class Weight 조정
[Chapter3. [ML] isolation forest]
· 학습 목표
Isolation Forest 알고리즘을 이용하여 이상탐지 모델을 구축하고 효과적으로 활용하는 능력을 향상시킵니다.
· 주요 내용
1. Isolation Forest 개념 이해
2. Anomaly Score 계산
3. 하이퍼파라미터 튜닝
[Chapter4. [ML] one class svm]
· 학습 목표
One-Class SVM을 활용하여 단일 클래스 분류를 통한 이상징후 탐지 방법을 습득합니다.
· 주요 내용
1. One Class SVM 개념 이해
2. One Class SVM 모델링
3. 하이퍼파라미터 튜닝
[Chapter5. [DL] Autoencoder]
· 학습 목표
Autoencoder를 사용하여 딥러닝 기반의 이상탐지 모델을 구성하고, 데이터 재구성을 통한 이상 감지 방법을 이해합니다.
· 주요 내용
1. Autoencoder 개념 이해
2. Autoencoder 학습
3. 예측 및 모델 평가
[Chapter6. [DL] LSTM Autoencoder]
· 학습 몓표
LSTM을 활용한 딥러닝 Autoencoder로 시계열 데이터의 이상을 감지하는 방법을 학습합니다.
· 주요 내용
1. LSTM 이해
2. 시계열 이상탐지를 위한 전처리
3. LSTM - AE 구조
[Chapter7. [DL] CNN Autoencoder]
· 학습 몓표
CNN을 적용한 딥러닝 Autoencoder로 이미지 데이터의 이상징후를 식별하는 능력을 향상시킵니다.
· 주요 내용
1. CNN-AE 이해
2. CNN-AE 구조