학습 내용 안내

이 강의에서 우리가 함께 학습할 내용을 안내해 드리도록 하겠습니다. 이 강의의 주제는 크게 보면 시계열 데이터 분석 그리고 연관 규칙이라고 하는 두 가지로 나누어집니다. 강의는 전체적으로 세 개의 파트로 나누어져 있는데요. 여러분께서는 앞부분에서 첫 번째 파트에서 시계열 데이터라는 게 어떤 것인가 라고 하는 것을 학습하도록 하시겠습니다. 시계열 데이터는 일반적인 수치형 데이터 일반적인 범주형 데이터와는 다른 굉장히 독특한 특징을 가지고 있습니다. 예를 들어서 시간 독립변수라든가 자기상관성, 정상성, 비정상성 이러한 각종의 특성이 있어요. 그래서 시계열 분해라는 것도 할 수가 있고 시계열의 패턴을 가지고 우리가 추세성, 계절성, 순환성, 백색소음 이런 다양한 용어를 이해하고 있어야 우리가 시계열 분석에 여러 가지 내용을 습득할 수가 있습니다. 그래서 우리 수업에서는 앞부분에서 다양한 엑셀 같은 쉬운 도구를 이용해서 시계열 데이터라는 게 어떤 특징이 있는지, 우리가 어떻게 접근해야 되는지 라고 하는 것을 아주 쉽고 간단하게 예를 들어서 좀 설명드리도록 하겠습니다. 여러분이 시계열 데이터의 특징을 충분히 이해하시고 시계열 분해라든가 정상성을 획득하기 위해서 차분을 하는 것이 어떤 것인가 라고 하는 것들을 확인을 하시면 이러한 지식을 바탕으로 해서 오렌지라고 하는 도구를 중점으로 시계열 데이터 분석 모델들을 실제로 실습을 하도록 하겠습니다. 시계열 데이터 분석 모델이라고 하는 것은 크게 보면 정상성을 필요로 하는 모델과 정상성을 필요로 하지 않는 두 가지의 모델로 나눠지게 되는데요. 우리는 그 중에서도 정상성을 필요로 하는 다양한 대표적인 시계열 분석 모델들 AR, MA, VAR, ARMA, ARIMA라고 하는 이러한 모델들을 실제로 데이터로 다뤄보도록 하겠습니다. 해당하는 시계열 분석 모델들은 우리가 위젯을 이용해서 연결하고 예측 결과를 받는 것까지는 단순한데 사실 이것들을 통해서 좋은 예측을 이뤄내려면 어쩔 수 없이 중간 단계에서 각각의 시계열 분석 모델이 필요로 하는 매개변수를 설정해야 하는 문제가 있습니다. 시계열 데이터 분석에 대한 굉장히 심도 깊은 지식을 갖고 있지 않는 한 미리 어떠한 사전 지식을 통해서 매개변수를 설정한다는 것은 굉장히 어려운 일이거든요. 그래서 우리는 이러한 문제들을 현실적으로 해결하기 위해서 실제 데이터를 예측하는 일을 모델에게 시켜봤을 때 모델이 어떠한 결과를 내는가 어느 정도 성능을 내는가 라고 하는 것을 직접 눈으로 보면서 최적의 매개변수를 간단한 클릭으로 맞춰내는 이러한 현실적인 접근 방법까지 함께 살펴보도록 하겠습니다. 마지막 부분에서는 우리가 연관 규칙, 연관성 분석이라고 하는 것을 다룰 건데요. 연관성 분석의 대표인 Apriori 알고리즘이라고 하는 것을 배워보도록 하겠습니다. Apriori 알고리즘은 지지도, 신뢰도, 향상도라고 하는 세 가지의 중요한 지표를 가지고 A라고 하는 사건이 일어났을 때 B라고 하는 사건이 일어나는 가능성, 이런 부분에 대해서 데이터에 숨겨져 있는 패턴을 찾고 규칙을 도출하는 기법인데요. 현실에서 굉장히 많은 다양한 분야의 다양한 비즈니스에서 적극적으로 활용하고 있는 그러한 분석 모델입니다. 노코딩 데이터 분석 도구인 Orange를 이용해서 실제 데이터를 가지고 예를 들어 어떤 TV 드라마를 좋아하는가 라고 하는 데이터를 가지고 A라고 하는 드라마를 좋다고 대답한 사람은 일반적인 다른 사람들보다 B라고 하는 드라마를 좋아할 가능성이 매우 크다 라고 하는 규칙을 도출하는 실습을 함께 해보도록 하겠습니다.