데이터 사이언스 모델링 (9월)

1,000,000

일시: 2018년 9월 1, 2주 화, 목 (잠정)

메인 강좌 수강자를 대상으로 데이터 사이언스를 활용한 모델링 사례를 공유합니다.

강의장 찾아오기

품절

설명

간단 소개:

데이터 사이언스에 대한 심도깊은 지식을 습득한 수강자들을 대상으로 한 모델링 강좌입니다. 현업에서 활용되고 있는 모델과 관련된 논문을 리뷰하고, 어떤 문제점을 어떻게 극복하면서 활용하고 있는지를 깊이있게 살펴보는데 초점을 맞추고 있습니다. 시중에 나와있는 대다수의 수준 미달 머신러닝 강좌 수준의 지식만 갖고 계신 분, 코딩 경력으로 비벼볼 수 있다고 착각하시는 분들의 수강을 제한하고 있습니다.

다수 수강생을 대상으로 한 강의가 아닌만큼, 연 2~3회 정도의 기획성 강의로 운영할 계획입니다.

 

강의 내용:

1. Bayesian machine learning, MCMC Simulation

Naïve Beyes weigting과 Bayes factor 비교 및 응용 + Metropolis Hastings algorithm

Markov Chain Monte Carlo (MCMC) Simulation의 구조

Classification 모델의 Bayesian 결합 방식 vs. Ensemble 식 결합 방식 – “왜 Dynamic updating에는 Bayesian이 쓰일까” 예시

 

2. Data pre-processing, Feature engineering

Kalman filtering을 이용한 데이터 필터링, Fast Fourier Transform을 이용한 Anomaly detection

시간적 순서에 따른 행동 데이터를 바탕으로 Sequential ordering을 통한 Cross device matching (or Attribution 모델)

Criteo의 Re-targeting 모델을 비롯한 Targeting 엔진의 작동 방식 (논문 리뷰 포스팅) + Bayesian updating

 

3. Reinforcement learning

Bellman equation, Policy set을 정의하는 방법

Deep Q-Network (DQN), I2A (Imagination-Augmented) – 벽돌 깨기 등의 게임에 적용되는 방식

AlphaGo Zero의 강화학습 모델 – Bellman equation을 셋팅, 수학적으로 해결하는 부분, 시뮬레이션으로 해결하는 부분

 

4. Network analysis, Block chain

다양한 Network overview 및 “안정성 vs. 효율성” 상충관계 이해

블록체인 (Block chain)과 게임이론 – “안정성 vs. 효율성”의 상충관계를 보완하는 블록체인 구성

Network analysis와 Clustering을 결합한 anomaly detection – Facebook의 광고 inventory 정리 방식

 

 

활용 언어:

한국어, Python*  (R은 RPy 모듈로만 활용)

* R로 진행하는 데이터 사이언스 메인 강좌와 마찬가지로 Python 코드 모두 제공

* Python 코딩에 대한 사전 지식 (거의) 불필요 – 코드는 언어, 코딩은 기술일 뿐, 지식은 아님 –

 

수강 필수 조건:

데이터 사이언스 메인 강좌 기 수강자

* 기 수강자 중 제공해드린 강의 동영상, 강의 노트, R Script 등을 통한 복습 후에도 이해에 계속 어려움을 느끼시는 분에게는 비추합니다.

* 기타 수준 미달의 온/오프라인 머신러닝 강좌 수강 기록, 개발자 경력 등은 수강에 아무런 도움도 되지 않습니다.

* 결제 시 메인 강좌 수강 시기를 알려주시기 바랍니다.

상품평

아직 상품평이 없습니다.

“데이터 사이언스 모델링 (9월)”의 첫 상품평을 남겨주세요

이메일은 공개되지 않습니다.

X