|
[인크레파스/빅데이터 분석] 11월 국비교육 머신러닝기반 빅데이터분석 과정
통계와 머신러닝기반 빅데이터 분석전문가 양성과정 상담예약
▶ 과정 목표
빅데이터를 수집하고 원하는 형태로 저장하여 목적에 맞게 처리하고 통계와 컴퓨팅 기술을 기반으로 대용량 데이터를 관리, 처리, 분석할 수 있으며, 빅데이터 플랫폼을 개발하고 관리할 수 있는 빅데이터 분석 전문 인력 양성을 목표로 한다.
1. 수집된 내·외부 데이터 및 정형·비정형 데이터를 기반으로 통계 패키지인 R을 활용해 분석 목적에 따라 가설을 설정하고 필요한 데이터셋을 편성하여 통계기반 데이터 분석 모델을 만들고 평가하는 능력을 함양한다.
2. 파이썬의 머신러닝 라이브러리를 이용해 고도의 정확도가 요구되는 문제를 해결하기 위해 복잡한 데이터 구조 패턴을 기계(컴퓨터)로 하여금 스스로 하가습하게 하는 머신러닝 알고리즘 기술을 적용해 현업의 데이터를 분석하고, 실제 업무에 적용하는 능력을 함양한다.
3. 대용량의 데이터 집합으로부터 유용한 정보를 찾고 결과를 예측하기 위해 목적에 따라 다양한 분석기술과 방법론을 적용해 정형·비정형 대용량 데이터를 구축, 탐색, 분석하고 시각화 하는 능력을 함양한다.
교육기간 | 2018.11.14 ~ 2019.05.20 | 총 교육시간 | 1000 시간 | 교육대상 | 취업준비생, 예비창업가, 졸업예정자, 야간대/사이버대/방통대 학생, 퇴사예정자, 영세사업자, 이직희망자 | 정 원 | 20 명 | 수 강 료 | 0(전액무료) | 일일교육시간 | 09:30 ~ 18:30 |
▶ 수강신청절차
1. 고용노동부 워크넷 구직 등록 (www.work.go.kr 에 회원 가입 → 구직 등록 → 고용센터 인증까지 최소 1일 소요)
2. 교육 동영상 신청 (HRD-Net www.hrd.go.kr 사이트 회원 가입 후 "국가기간전략 산업직종 훈련안내 동영상 시청")
3. 고용센터 방문 후 내일배움카드 신청 (거주지 관할 고용센터에서 신청 가능하며, 발급까지 보통 3~4주 기간이 소요)
4. 카드 발급 후 인크레파스 교육센터에서 훈련 수강
▶ 수강혜택
교육비 전액 무료
훈련장려금 월 316,000원*교육개월 수 (취업성공패키지 이용 시 최대 월 416,000원)
개발자 출신 강사진의 현장에서 쓰는 개발 강의
수업 후 강의실 내 자습 및 프로젝트 진행 가능
자바스크립트, Node.js 등 현장에서 필요로 하는 기술세미나
자바, 안드로이드, 데이터베이스, 웹개발 동영상 강의 제공
채용연계 및 취업 지원, 취업지원 시작 후 매주 채용공고 취합 및 제공
1인 1사물함 제공
▶ 지원절차
인크레파스 융합SW교육센터에서 수강신청을 하시면 당일 상담 일정 등 안내 문자와 전화 상담이 진행됩니다.
인크레파스 융합SW교육센터 본관(서울시 관악구 시흥대로 552 석천빌딩 7층)
인크레파스 융합SW교육센터 별관(서울특별시 구로구 디지털로32가길 16 파트너스타워 4F)
▶ 교육 상담 문의
전화: 02-869-1080, 02-869-1081
팩스: 02-869-1082
▶ 교육커리큘럼
NCS교과 | 교과목 | 소주제 | 세부교육내용 | 데이터 시각화 | 빅데이터 분석 결과 시각화 | 분석 결과 스토리텔링하기 | - 분석 결과 유형 및 활용 목적
- 데이터 분석 대상 업무 도메인(Domain)
- 시각화 구축의 목적과 사용 의도, 시각화 시스템 작동 방식
- 스토리보드 작성 프로세스, 스토리보드 활용 방안 | 분석 정보 시각화하기 | - 시각화 기술 및 알고리즘, 데이터 분석 대상 업무
- 시각화 정보 구조 및 구성 요소,
- 시각화 구축의 목적과 사용 의도, 시각화 시스템 작동 방식
- 화면구성 특징에 따른 시각화 기법, 시각화 표현 기법
- UX(User Experience) 설계 방법론
- 효과적인 컬러 및 폰트 사용법, 시각화 디자인 원칙 | 정보 시각화 구현하기 | - 자크 베르탱(Jacques Bertin)그래픽 7요소
- 시각화 도구 사용, 디자인 기법 일반
- 효과적인 컬러 및 폰트 사용법
- 시각화 디자인 원칙 및 원리, 인터렉션 방식
- 시각정보 디자인 7원칙, UX [User Experience] 설계 방법론
- 시각화 기획, 모델링, 디자인 결과물 분석 방법론 | 분석용 데이터 구축 | 데이터 정제하기 | - 데이터 정제 절차, 필요 데이터 식별, 데이터 분포
- 레거시 시스템, 데이터베이스 구축 방법론, 메타데이터 | 데이터 변환 적재하기 | - 정형, 비정형, 반정형 데이터의 변환 및 적재
- 데이터 변환 및 적재에 대한 방법론
- ETL(Extract Transformation Load)
- ETT(Extract Transformation Transfer)
- 비정형데이터의 정형데이터 변환 방법
- 반정형데이터의 정형데이터 변환 방법
- 메타데이터, 데이터 데이블 정의서 및 데이터 맵핑정의서 | 데이터 검증하기 | - 데이터 사전 구조, 데이터 검증 절차에 대한 방법론
- 개인정보보호 등의 데이터관련 법규정
- 데이터의 품질 유형 적용, 데이터 정합성 점검 방법 | 탐색적 데이터 분석 | 기본통계 확인하기 | - 기술통계법, 데이터 분석 대상 업무 영역
- 데이터 마이닝 목적, 표본 추출 기법, 자료 측정 방법 | 데이터 분포 분석하기 | - 분석 모형 설계 기법, 분석 모형 조정 기법,
- 분석 모형 검증 기법, 분석 모형 및 데이터 최적화
- 분석 모형 테스트 환경 구축, 분석 모형 테스트 절차 설계
- 분석 모형 테스트 수행 및 결과 분석
- 통계학, 데이터 분석 대상 업무 영역, 데이터 마이닝 목적 | 변수간 관계 확인하기 | - 분석 모형 설계 기법, 분석 모형 조정 기법,
- 분석 모형 검증 기법, 분석 모형 및 데이터 최적화
- 분석 모형 테스트 환경 구축, 분석 모형 테스트 절차 설계
- 분석 모형 테스트 수행 및 결과 분석
- 통계학, 데이터 분석 대상 업무 영역, 데이터 마이닝 목적 | 빅데이터 분석 | 텍스트 데이터 분석 | 텍스트 데이터 변환하기 | - 텍스트 문장의 형태소 분석, 문장의 문법과 언어적 문맥
- 필요한 단어를 추출해 낼 수 있는 텍스트 처리 방법
- 문장 의미 분석, 자연어 처리 이론
- 단어 빈도 집계 및 연관성 분석 | 텍스트 데이터 분석 수행방법 계획하기 | - 조직의 전략 방향 및 비즈니스 목표
- 현업 업무 및 수행 프로세스, 텍스트 마이닝 기법
- 해당 언어에 대한 문법 및 문장구조 | 텍스트 데이터 분류 결과 분석하기 | - 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 분류 및 예측 위한 머신러닝 기법
- 워드 클라우드 및 문서 클러스터링 기법
- 최신 분석 기법 발전 트렌드와 연구 동향
- 최신 텍스트 처리 기법 발전 트렌드와 연구 동향 | 정형 데이터 결합 분석 수행하기 | - 현업 업무 및 수행 프로세스,
- 프로세스 및 조직 업무 처리 방식
- 통계학 및 머신러닝 기반의 분석 모델링
- 모델 정확도 및 예측력을 향상시키기 위한 파라미터 조절
- 조직내 IT 인프라 및 시스템, 데이터 시각화 및 인포그래픽스 | 머신러닝기반 데이터 분석 | 머신러닝 수행방법 계획하기 | - 해당 산업분야, 조직의 전략 방향
- 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 머신러닝 기법의 목표, 비즈니스 목표 | 데이터셋 분할하기 | - 과적합과 모델 설명력, 표본 샘플링에 대한 통계방법
- 분석 목적과 데이터셋 특성별로 적합한 분할 k 값
- 교차검증 방법론, 모델 평가 메트릭
- 머신러닝 기법별 적합한 데이터 분할 기준 | 지도학습 모델 적용하기 | - 현업 업무 및 수행 프로세스, 통계학 기반 분석방법론
- 선형대수 및 미적분, 최적화 등의 수학이론
- 분류 모델을 위한 지도학습 머신러닝 기법
- 예측 모델을 위한 지도학습 머신러닝 기법
- 최신 머신러닝 기법 발전 트렌드와 연구 동향 | 자율학습 모델 적용하기 | - 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 군집화 위한 머신러닝 기법, 차원 축소 관련 수학적 기법
- 연관성 및 패턴화 관련 머신러닝 기법
- 최신 머신러닝 기법 발전 트렌드와 연구 동향 | 모델 성능 평가하기 | - 현업 업무 및 수행 프로세스
- 예측값과 실제값 비교를 위한 혼돈 매트릭스 표
- 참 긍정, 참 부정, 거짓 긍정, 거짓 부정 분류
- 머신러닝 모델 평가 지표
- 모델 정확도 및 예측력을 향상시키기 위한 모델 파라미터 조절
- 모델 성능 검증 위한 데이터셋 분할 및 부트스트래핑 등의 샘플링 기법 | 학습결과 적용하기 | - 해당 산업분야, 조직의 전략 방향, 현업 업무 및 수행 프로세스
- 프로세스 및 조직 업무 처리 방식,
- 조직내 IT 인프라 및 시스템 | 통계기반 데이터 분석 | 가설 설정하기 | - 분석 모델의 예측력(Accuracy),분석 모델의 안정성(Robustness)
- 분석 모델의 호율성(Efficency),
- 추측통계법, 통계처리 결과에 대한 해석 | 통계 모델 개발하기 | - 각 분석기법에 대한 통계학 이론
- 분석결과에 대한 통계적 해석 및 업무적용, 빅데이터 분석방법론
- 분석대상 데이터의 구조 및 비즈니스적 의미
- 분산병렬처리, 하둡 에코시스템 | 통계 모델 평가 검증하기 | - 빅데이터 분석 및 평가방법론
- 모델의 예측력, 모델의 안정성, 모델의 효율성
- 통계학, 품질관리, 품질보증 | 빅데이터 운영 | 빅데이터 처리 운영 | 빅데이터 처리 환경 파악하기 |
목록
|
|
홈
