K-디지털 트레이닝
국가기간·실업자
K-디지털 트레이닝
국가기간·실업자
※ 상담을 원하는 지역을 클릭하시면 바로 캠퍼스 전화로 연결됩니다.
※ 상담을 원하시는 지점을 클릭하시면 바로 카카오톡 채널로 연결됩니다.
※ 작성해주신 정보는 더조은 과정 안내 등의 마케팅에 활용될 수 있습니다.
머신러닝 분야의 표준 언어인 파이썬을 이용해 머신러닝의 기본 문법을 숙지하고 머신러닝 기반의
기계학습을 구현함과 동시에 회귀분석, 군집화 등을 실습하여 현업의 데이터를 분석하도록 하는 과정
| *개강일자 | 1차2025-05-05 2차2025-05-19 |
|---|---|
| *교육기간 | 1~2개월 |
| *수강료 | 100% 무료 국비지원 |
| *수업구성 | 격일수업(월수,월수금 / 화목,화목금) or 주 1회(토요일,일요일) |
참여 유형 및 훈련 별로
최대 85%까지 지원
교재 무료 지원
온라인 무료 수강권 증정
실업, 재직, 자영업 여부에 관계없이 국민내일배움카드를 발급하고 일정 금액의 훈련비를 지원함으로써 직업능력개발 훈련에 참여할 수 있도록 하며, 직업능력개발 훈련이력을 종합적으로 관리하는 제도로 고용노동부가 실시한 교육훈련기관 인증평가에서 건전성과 역량을 검증받아 위탁자격을 인증받은 기관이 과정을 승인받고 진행할 수 있습니다.*단, 공무원, 사립학교 교직원, 졸업예정자 이외 재학생, 연 매출 1억5천만원 이상의 자영업자, 월 임금 300만원 이상인 대기업근로자(45세미만)·특수형태근로 종사자는 제외
1
더조은컴퓨터2
국민내일배움카드발급 고용24 사이트에서3
훈련기관 상담 140시간 이상 과정은 수강신청 전 고용센터 방문 또는 온라인(고용24)을 통해 훈련 진단·상담 진행4
훈련과정등록 고용24를 통하여5
훈련과정 수강 강의 수료 및 자격증 취득6
취업 및 목표
각 분야 실무 경력을 10년 이상 보유한 베테랑 전문가의 강의
더조은 협력 업체와의 협의를 통한 실무 맞춤형 커리큘럼
다양한 취업연계 시스템을 제공하여 취업률 향상에 이바지
프로젝트 발표회를 통해 자체적인 실력향상 도모
실무자들의 세미나 특강을 통해 핵심적인 정보 제공
더조은컴퓨터아카데미는 미래의 환경변화를 예측하고 진단하여,
산업별, 직무별 필요 역량 분석을 기반으로 IT커리큘럼을 설계하였습니다.
현재 IT는 우리의 일상이나 회사, 비즈니스에 깊이 관여하여 지금까지의 상식을 급속히 바꾸려고 하고 있습니다.
IT가 불러일으키는 새로운 상식은 어떤 것이며, 왜 필요로 하는지, 어떤 가치를 창출하려고 하는지를 미리 대비하고 알아두면 미래를 대비 할 수 있습니다
더조은컴퓨터아카데미는 발 빠르게 급변하는 IT 트렌드를 읽고 미래의 가치를 높이는 커리큘럼으로 다가가겠습니다.
떠오르는 데이터 분석의 이상적인 툴 '파이썬'을 활용한 머신러닝 실무 과정
본 과정은 파이썬을 활용해 머신러닝에 적용하기 위한 과정으로
데이터를 분석·수집하고 시각화하여 값으로 나타내는 과정입니다.
파이썬은 다른 언어에 비해 직관적이고 쉬운 언어로 초보자들도 배울 수 있는 언어입니다.
본 과정을 통해 파이썬을 이용하여 머신러닝을 적용하기 위한 데이터 전처리 및 실제 알고리즘을 적용하는 능력을 키울 수 있습니다.
파이썬은 데이터 분석에서 많이 쓰이는 R프로그래밍에 비해 쉬운 언어로 접근성이 좋으며,
파이썬만으로도 데이터 수집, 가공, 분석, 인사이트 추출, 시각화가 가능하기 때문에 데이터 분석 전문가에게 필수적인 분석 툴로 각광박고 있습니다.
머신러닝은 컴퓨터 과학 중 인공지능의 한 분야로 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야입니다.
사람이 학습하듯 컴퓨터에 데이터를 준 후 스스로 학습하게 함으로써 새로운 지식을 얻거나 미래에 대한 예측과 분석을 할 수 있습니다.
머신 러닝은 경험적 데이터를 기반으로 학습을 하고, 예측을 수행하며 스스로의 성능을 향상시키는 시스템과
이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있습니다.
\
기본적인 분석 도구의 이해부터 엑셀 데이터를 이용한 분석, 머신러닝 및 시각화 기법을 학습 및 적용할 수 있으며
다양한 데이터마이닝 기법과 기계학습에 필요한 알고리즘을 학습하여 새로운 지식, 미래에 대한 예측과 분석을 할 수 있습니다.
데이터 분석 왜 필요할까요?
강의를 듣고 나면!?
위 과정에 대한 문의사항은 1:1상담을 통해 자세히 설명 받으실 수 있으며, 자신에게 맞는 꼭 맞는 커리큘럼 과정을 통해 원하는 취업의 문을 열고 실무적으로 인정받는 전문가가 되세요.
| Step 1 | 머신러닝의 주요 응용 분야 (추천 시스템, 의료 진단, 이미지 인식 등), Python, colaboratory, 주요 라이브러리 (Scikit-learn, Pandas 등). | 강의 소개 |
|---|
| Step 2 | 머신러닝의 정의와 필요성, 지도 학습, 비지도 학습, 강화 학습 개요, 머신러닝의 일반적인 워크플로우, 예제: 간단한 데이터셋에서 패턴 탐색 | 머신러닝 개요 |
|---|
| Step 3 | Pandas: 데이터프레임 생성, 탐색, 조작, Numpy: 배열 생성, 인덱싱, 연산, Matplotlib/Seaborn: 데이터 시각화, 실습: 간단한 데이터셋 로드 및 시각화 | 파이썬 기초 |
|---|
| Step 4 | 결측치 처리, 이상치 탐지 및 제거, 범주형 데이터 인코딩 (One-Hot Encoding, Label Encoding), 데이터 정규화 및 표준화, 실습: 타이타닉 데이터셋을 활용한 전처리 | 데이터 전처리 |
|---|
| Step 5 | 머신러닝 모델의 구성 요소: 데이터, 알고리즘, 평가, 과적합(Overfitting)과 과소적합(Underfitting) 개념, 데이터 분할: 학습 데이터와 테스트 데이터, 실습: 간단한 선형 회귀 모델 구성. | 머신러닝 모델의 기본 개념 |
|---|
| Step 6 | 지도 학습의 종류: 회귀와 분류, 손실 함수와 성능 평가 지표, 실습: 지도 학습을 위한 데이터셋 탐색 (Scikit-learn) | 지도 학습 개요 |
|---|
| Step 7 | 단순 선형 회귀와 다중 선형 회귀, 수학적 개념: 가중치와 편향, 실습: 주택 가격 예측 | 선형 회귀 |
|---|
| Step 8 | 로지스틱 회귀의 원리, 이진 분류와 다중 클래스 분류, 실습: 타이타닉 생존자 예측 | 로지스틱 회귀 |
|---|
| Step 9 | KNN의 원리와 적용 방법, 거리 계산 (유클리드, 맨해튼), 실습: KNN으로 숫자 데이터 분류 (MNIST 데이터셋) | K-최근접 이웃 (KNN) |
|---|
| Step 10 | 의사결정나무의 구조와 작동 방식, 과적합 방지 기법 (가지치기), 실습: 의사결정나무를 활용한 분류 문제 해결 | 의사결정나무 (Decision Tree) |
|---|
| Step 11 | 랜덤 포레스트의 구조와 배깅(Bagging) 개념, 변수 중요도 해석, 실습: 랜덤 포레스트로 와인 품질 예측 | 랜덤 포레스트 |
|---|
| Step 12 | SVM의 기본 원리와 커널 트릭, 분류와 회귀에서의 활용, 실습: SVM으로 데이터 분류 | 서포트 벡터 머신 (SVM) |
|---|
| Step 13 | 비지도 학습의 목적과 활용, 차원 축소와 군집화(clustering) 소개., 실습: 데이터의 분포 시각화 (차원 축소) | 비지도 학습 개요 |
|---|
| Step 14 | K-평균 알고리즘 원리, 최적의 K 값 찾기 (엘보우 기법), 실습: 고객 세분화 | K-평균 군집화 |
|---|
| Step 15 | 주성분 분석(PCA)와 선형판별분석(LDA)의 개념과 차원 축소과 축회전의 필요성, 주성분의 해석, 실습: PCA와 LDA로 데이터 시각화 | PCA (주성분 분석) |
|---|
| Step 16 | LDA(Latent Dirichlet Allocation): 기계학습과 자연어 처러(NLP)인 주제 모델링(topic modeling) | LDA 자연어 처리 |
|---|
| Step 17 | 학습률, 정규화, 조기 종료, 하이퍼파라미터 튜닝, 실습: 랜덤 포레스트 및 SVM 최적화 | 머신러닝 모델의 최적화 |
|---|
| Step 18 | SVD(특이값분해) 개념 이해, 영화평 데이터를 이용하여 추천 모델, 예측 모델 | 특이값 분해 및 추천 모델 |
|---|
| Step 19 | 프로젝트: 예시 - 평가값을 이용한 영화 추천 예측 모델: 데이터 전처리, 모델 학습 및 평, 결과 해석 및 시각화 | 실제 데이터 분석 프로젝트 |
|---|
| Step 20 | 머신러닝의 주요 개념 복습, 추가 학습 자료 제공 (Kaggle 대회 참여 등): 영화 추천 시스템 구축, 금융 데이터 이상 탐지 | 강의 요약 및 응용 |
|---|
취업지원
이력서 및 자소서
1:1 모의
연수생
적정기업입력한 정보가 다를 경우 답변을 받으실 수 없습니다.
기입하신 정보는 문의에 대한 답변 목적외에 다른 용도로 사용되지 않습니다.
강남캠퍼스
