| 주차 | 주차명 | 차시명 | 오픈 일정 |
|---|---|---|---|
| 1 | 파이썬 문법-기초 | (1차시)개론과 설치 | 23. 7. 24. |
| (2차시)변수, 자료형, 연산자 | |||
| (3차시)조건문, 반복문 | |||
| (1주차 학습목표) 1. 파이썬의 특징을 설명할 수 있다. 2. 변수와 자료형, 리스트와 튜플의 차이점을 설명할 수 있다. 3. 조건문과 반복문에 대하여 설명할 수 있다. |
|||
| 2 | 파이썬 기본 | (1차시)함수, 파일입출력 | 23. 7. 31. |
| (2차시)내장함수, NumPY 기초 | |||
| (3차시)문자열, 딕셔너리, 시스템 모듈 | |||
|
(2주차 학습목표) |
|||
| 3 | 파이썬 심화 | (1차시)NumPy심화 | 23. 8. 7. |
| (2차시)시스템 모듈 복습 | |||
| (3차시)객체지향 프로그래밍 | |||
| (3주차 학습목표) 1. 행벡터와 열벡터의 차이를 설명할 수 있다. 2. 시스템 모듈을 이용하여 메모장 프로그램을 만들 수 있다. 3. 클래스 문법을 상황에 맞게 작성할 수 있다. |
|||
| 4 | 파이썬 패키지 | (1차시)판다스 데이터프레임 | 23. 8. 14. |
| (2차시)판다스 함수, 그룹별 분석 | |||
| (3차시)시계열처리 | |||
| (4주차 학습목표) 1. 시리즈와 데이터 프레임의 차이에 대해 설명할 수 있다. 2. 상황에 맞게 판다스의 함수들을 제시할 수 있다. 3. datetime 객체에 대해 설명할 수 있다. |
|||
| 5 | 인공지능Ⅰ | (1차시)AutoKeras를 이용한 AI입문 | 23. 8. 21. |
| (2차시)퍼셉트론과 신경망 학습 | |||
| (3차시)다층 퍼셉트론과 딥러닝 | |||
| (5주차 학습목표) 1. 딥러닝에 대해 설명할 수 있다. 2. 퍼셉트론을 행렬과 벡터 방식으로 작성할 수 있다. 3. 다층 퍼셉트론의 오류를 설명할 수 있다. |
|||
| 6 | 인공지능Ⅱ | (1차시)딥러닝 프레임워크1 | 23. 8. 28. |
| (2차시)딥러닝 프레임워크2 | |||
| (3차시)텐서플로우2.0 vs 파이토치 | |||
| (6주차 학습목표) 1. 케라스를 이용하여 인공지능 신경망을 만들 수 있다. 2. 케라스 코드의 전체적 골격에 대해 설명할 수 있다. 3. 텐서플로우와 파이토치의 차이점에 대해 설명할 수 있다. |
|||
| 7 | 금융Ⅰ | (1차시)회사의 형태 | 23. 9. 4. |
| (2차시)금융 상품 | |||
| (3차시)금융 회사 | |||
| (7주차 학습목표) 1. 다양한 회사의 형태와 특징에 대해서 설명할 수 있다. 2. 주식과 채권의 차이점에 대해 설명할 수 있다. 3. 금융 회사의 종류에 대해 설명할 수 있다. |
|||
| 중간시험 | 23. 9. 4. | ||
| 9 | 금융Ⅱ | (1차시)주식(1) | 23. 9. 11. |
| (2차시)주식(2) | |||
| (3차시)기본적 분석/기술적 분석 | |||
|
(9주차 학습목표) |
|||
| 10 | 금융통계Ⅰ | (1차시)정상 시계열 | 23. 9. 18. |
| (2차시)등분산 시계열 모형 | |||
| (3차시)모형 판별 및 추정 | |||
| (10주차 학습목표) 1.시계열의 정상성을 설명할 수 있다. 2. 시계열 모형을 설명할 수 있다. |
|||
| 11 | 금융통계Ⅱ | (1차시)주가 시계열의 특성 | 23. 9. 25. |
| (2차시)이분산 시계열 모형 | |||
| (3차시)코스피 지수 시계열 분석 | |||
| (11주차 학습목표) 1. 주가 시계열의 특성을 설명할 수 있다. 2. 이분산 시계열 모형을 설명할 수 있다. |
|||
| 12 | 인공지능 실습 | (1차시)데이터 분석 | 23. 10. 2. |
| (2차시)신경망 활용 | |||
| (3차시)케라스를 이용한 실습 | |||
| (12주차 학습목표) 1. 데이터를 주어진 기준별로 분류하는 방법에 대해 설명할 수 있다. 2. 데이터 전처리에 대해 설명할 수 있다. 3. 오토케라스와 AutoML에 대해 설명할 수 있다. |
|||
| 13 | 인공지능+금융Ⅰ | (1차시)AutoKeras 활용(1) | 23. 10. 9. |
| (2차시)AutoKeras 활용(2) | |||
| (3차시)Fedot 라이브러리 활용 | |||
| (13주차 학습목표) 1. 금융데이터의 특성을 설명할 수 있다. 2. 인공지능을 통해 주가예측을 실시할 수 있다. |
|||
| 14 | 인공지능+금융Ⅱ | (1차시)금융에서의 이상치 문제 | 23. 10. 16. |
| (2차시)오토인코더 | |||
| (3차시)오토인코더를 활용한 이상치 탐지 | |||
| (14주차 학습목표) 1. 오토인코더를 사용하여 이상 데이터를 측정할 수 있다. |
|||
| 기말시험 | 23. 10. 16. | ||
| 퀴즈 | 토론 | 중간시험 | 기말고사 | 합계 |
|---|---|---|---|---|
| 40% | 10% | 25% | 25% | 100% |
이 강좌는 대학 학부 전공 기초 정도 수준으로 제작되었으며, 금융공학과 인공지능 분야에 관심이 있는 중등교육이상을 수료하였다면 누구나 수강가능한 강좌입니다.
이 강좌는 별도의 교재가 없으며, 학습자료를 별도 PDF 파일로 제공합니다.
별도의 교재는 없으며, 학습자료를 통해 함께 학습하시길 바랍니다.
