Reading Bigdata

CLASS INFO

• Semester: Fall, 2025
• Class time/ Class room: / Mirae Building
• Text book:

CONTENTS

• [1주차] 기계학습 리뷰
  1. 디지털데이터
  2. 여러가지 기계학습모형
  3. 실습을 위한 준비 (Colab) (실습)


• [2주차] 신경망 회귀모형
  1. 회귀모형 구성 (실습)
  2. 회귀모형의 코드 구현 및 학습 (실습)
  3. 신경망 회귀모형의 구성 (실습)


• [3주차] 신경망 분류모형
  1. 이진분류모형 (실습)
  2. 이진분류모형의 평가 (실습)
  3. 다범주분류모형 (실습)


• [4주차] 여러가지 비교학습 모형
  1. Random Forest (실습)
  2. XGboost (실습)
  3. 모형성능 비교실험 설계 (실습)


• [5주차] 텍스트 데이터의 수집과 처리
  1. 텍스트 데이터의 수집 (실습)
  2. 문서/문장의 특징 추출
  3. 텍스트 임베딩의 활용 (실습)


• [6주차] 토픽 모형
  1. 베이지안 모형
  2. Latent Dirichlet Allocation
  3. LDA의 적합 및 튜닝 (실습-준비중)


• [7주차] 이미지 데이터의 생성과 해석
  1. VAE (실습)
  2. GAN (실습)
  3. GradCAM (실습)


• [9주차] 유동인구 분석
  1. 서울생활인구데이터 (실습)
  2. 유동인구 예측모형의 설계 (실습)
  3. 신경망 모형의 적합 (실습)


• [10주차] 소리 데이터의 분석
  1. Variational Auto Encoder (VAE) (실습-준비중)
  2. GAN 모형 개념 (실습-준비중)
  3. GAN 모형의 적합실습 (실습-준비중)


• [11주차] 네트워크 데이터
  1. 교통 OD 데이터 (실습-준비중)
  2. 신경망 모형의 구성 (실습-준비중)
  3. 유동인구의 시각화 (실습-준비중)


• [12주차] 그래프 데이터 분석
  1. Graph Neural Netowork (실습)
  2. 분자 데이터의 전처리 (실습)
  3. 분자 독성 데이터 분석 (실습-준비중)


• [13주차] 시계열 모형의 구성 모듈
  1. RNN, LSTM, GRU (실습)
  2. Seq2Seq 아키텍셔 (실습)
  3. Attention과 Transformer (실습)


• [14주차] Transformer 기반 시계열 모형
  1. Temporal Fusion Transformer 개요 (실습)
  2. Gated Residual Network와 Variable Selection Network (실습)
  3. TFT 모형의 구현 (실습)