- 글번호
- 890332
<2024년 Glocal Change-UP DSAC 프로그램> 사회대 참가 학생 모집 (10명)
- 작성일
- 2024.07.16
- 수정일
- 2024.07.16
- 작성자
- 행정학과(사회대)
- 조회수
- 516
2024년 경영학부 Glocal Change-UP DSAC 프로그램
■ 교육신청: https://forms.gle/WLWzKjtFRs6QELV28 (2024. 7. 22. 오전 10시 참가신청서 오픈 ~ 7. 26. 마감 )
■ 프로그램명 : DSAC (Data Scientist Academy & Certificate) M1, M2, M3 교육
■ 교육 소개
- DSAC(Data Scientist Academy & Certificate) 데이터 사이언티스트 능력인증자격 취득 프로그램
- 4차 산업혁명시대에는 인공지능(AI)과 빅데이터가 미래 첨단 산업에 적용, 산업별 목적에 따른 정보의 생성, 관리, 분석, 적용이 가능한 전문가 확보가 필수적
- 국제적으로 표준화되어 있는 빅데이터 인증 교육을 통하여 전남대학교 재학생들의 디지털 산업 분야 취업의식 고취 및 글로벌 취업 기회 제공
■ 학습 목표
* DSAC M1. 데이터 프로그래밍
- 데이터 사이언티스트가 되기 위해 필요한 기본적인 통계 지식 및 파이썬을 중심으로 프로그래밍 능력을 배움
- 파이썬을 활용한 손쉬운 컴퓨터 알고리즘의 이해 및 데이터 프로그램의 이해를 통한 경영 데이터의 활용을 이해한다.
* DSAC M2. 데이터 프로세스&분석
- 데이터의 생산, 수집, 저장, 변형, 전처리 방법과 데이터 서버 및 클라우드 사용법을 배움.
- 데이터 분석으로 얻고자 하는 구체적인 결과를 도출하고 관리를 위한 최적의 전략을 수립할 수 있도록 분석 기법을 이해한다.
* DSAC M3. 머신러닝
데이터로부터 지식과 지능을 추출하는 핵심기술로서 지도학습 및 비지도 학습 머신러닝 이론과 구현 기술을 배움
■ 교육 기관 - 한국생산성본부(KPC)
■ 교육장소
- 전남대학교 경영대학 1호관 전산실습실(경1-211)
■ 교육대상자
- 경영학부 재학생 (25명)
- 인문대학 재학생 (10명)
- 사회과학대학 재학생(10명)
■ 모집방법
기초반(M1, M2): 선착순 모집
심화반(M3): 작년 M1, M2반 이수자 우선 선발, 올해 M1, M2 이수자 선발
■ 교육특전
- 교육비 무료
- 수료증 발급
- 데이터사이언스 자격증 취득
- 중식 식권 제공
■ 운영
- 교육 기간 : 1일 6시간 수업
- 교육 인원 : 45명
■ 문의처
전남대학교 경영학부 2실 062-530-1450
■ 교육 세부 커리큘럼
- DSAC M1.데이터 프로그래밍 커리큘럼
구분 |
Unit |
주 제 |
내용 (DSAC 1 DATA Programing) |
7.29 (월) |
1 |
데이터 사이언스 범위 |
통계학, 컴퓨터 사이언스, 비즈니스의 관계 |
2 |
빅데이터와 AI |
빅데이터 분석과 AI 성공 사례 |
|
3 |
데이터 사이언스 도구 |
분석 도구, 파이선, R, 프로그래밍 언어 |
|
4 |
파이선 기초 |
파이선 시작, 변수, 함수, 파일 다루기 |
|
7.30 (화) |
5 |
파이선 문법 |
파이선 기초 문법 |
6 |
데이터 수집 |
파일 다운로드, 데이터 제공 사이트 |
|
7 |
데이터 처리 |
데이터 읽기, 저장하기 |
|
8 |
데이터 탐색 |
데이터 특성 파악 |
|
7.31 (수) |
9 |
통계 분석 |
확률 분포, 정규분포, 로그분포 |
10 |
탐색적 분석 |
스캐터플롯, 히스토그램 |
|
11 |
데이터 시각화 |
다양한 시각화 도구 학습 |
|
12 |
결측치 처리 |
없는 값, 틀린 값 처리 방법 |
|
8.1 (목) |
13 |
이상치 처리 |
Outlier 검출 및 처리 방법 |
14 |
문제 해결 프로세스 |
문제정의, 데이터 분석, 머신러닝 |
|
15 |
결과 시각화 |
리포팅 기술 |
|
인증 TEST |
- DSAC M2.데이터 프로세스&분석 커리큘럼
구분 |
Unit |
주 제 |
내용 (DSAC 2 Data Process & Analysis) |
8.2 (금) |
1 |
데이터 분석 범위 |
데이터 분석 프로세스 |
2 |
데이터 분석 기술 |
분류, 회귀, 추천, 머신러닝, 신경망 |
|
3 |
수치 데이터 |
테이블 데이터 다루기 |
|
4 |
선형 모델 |
데이터 분석 기초, 다차원 선형회귀 |
|
8.5 (월) |
5 |
특성 공학 |
피처(feature) 선택 기술, 원핫인코딩 |
6 |
결정 트리 기초 |
엔트로피, gini |
|
7 |
클러스터링 기초 |
거리기반 클러스터링 |
|
8 |
고객 세분화 |
대표적인 클러스터링 기법 소개 |
|
8.6 (화) |
9 |
모델 성능 |
성능 측정 방법 소개, 정확도 |
10 |
데이터 크롤링 |
HTML의 이해, bs4 |
|
11 |
웹 API |
웹 API 프로그램 |
|
12 |
텍스트 데이터 |
코퍼스, 도큐먼트 개념 이해 |
|
8.7 (수) |
13 |
텍스트 처리 |
BoW, 기초 어근 처리 |
14 |
데이터 분석 프로젝트 |
데이터 분석을 실제 문제에 적용하는 방법 |
|
15 |
분석 결과 적용 |
현장에 적용하는 기술 소개 |
|
인증 TEST |
- DSAC M3.머신러닝 커리큘럼
구분 |
Unit |
주 제 |
내용 (DSAC 3 머신러닝) |
8.8 (목) |
1 |
머신러닝 범위 |
지도학습, 비지도학습, 강화학습 |
2 |
머신러닝 동작 |
학습과정, 최적화, 손실함수, 성능평가 |
|
3 |
최적화 알고리즘 |
모델 튜닝, 과적합, 과소적합 |
|
4 |
분류 예측 |
협업필터링 (kNN) |
|
8.9 (금) |
5 |
로지스틱 회귀 |
로짓, 이진 분류 |
6 |
앙상블 알고리즘 |
렌덤포레스트, 그라디언트부스팅 |
|
7 |
서포트 벡터 머신 |
서포트 벡터 이해, 분류 분석 |
|
8 |
분류 성능 |
컨퓨전 매트릭스, ROC, AUC |
|
8.12 (월) |
9 |
회귀 예측 |
손실함수, 성능평가 지표, 시계열 |
10 |
모델 최적화 |
최적화, 랜덤 탐색, 일반화, 교차검증 |
|
11 |
비지도 학습 |
비지도 학습의 종류, 스케일링, 변환 |
|
12 |
클러스터링 고급 |
클러스터링의 적용 범위 |
|
8.13 (화) |
13 |
데이터 변환 |
로그변환, 역수변환 |
14 |
데이터 특성 추출 |
차원 축소, 주성분 분석(PCA), 시각화고급 |
|
15 |
클러스터링 평가 |
KMeans, DBSCAN 성능 비교평가 |
|
16 |
베이즈 알고리즘 |
나이브 베이즈 알고리즘 |
|
인증 TEST |