[실시간 온라인] LSTM과 Attention 모델의 분석과 적용 2기
* 본 강의는 Ken Rhee 박사님의 금융 머신러닝 스쿨 교육과정 중 'LSTM과 Attention 분석과 적용' 강의입니다
Introduction
LSTM과 Attention 모델을 이용한 금융 투자 분석의 엑기스를 정복합니다!
딥러닝은 머신러닝의 한 분야로 최근 많은 주목을 받고 있습니다. 과거의 방법으로는 한계가 있고 불가능하다고 여겨졌던 일들이 딥러닝을 이용하면서 높은 성과를 보이고 있기 때문입니다. 넷플릭스의 추천알고리즘, 자동차 자율주행 등 실생활에서도 딥러닝을 활용한 사례를 점점 더 많이 찾을 수 있습니다.
금융 분야도 딥러닝을 활용하여 예전에는 불가능했던 많은 혁신을 이루어 내고 있습니다. 금융 산업은 의료 산업에 이어 인공지능 기술 활용도가 두 번째로 높은 산업입니다. 머신러닝의 도입은 고객에게 양질의 금융서비스를 전달하고 기업의 생산성을 향상시키는 등 다양한 장점을 제공하여 금융 산업의 새로운 성장 동력으로 주목받고 있습니다. 금융 산업 분야 외에 다양한 분야에서 머신러닝 기술 도입을 시도하는 만큼 활용 가치가 증명되고 있으며, 앞으로도 꾸준히 도입 사례가 증가할 것으로 예상됩니다.
본 교육과정은 기계학습의 심화과정으로, 딥러닝에 대한 최근 동향을 전반적으로 리뷰 합니다. 또한 딥러닝을 금융에 어떻게 접목하는지에 대한 궁금점을 해결해 줍니다.
새로운 방법으로 주식투자 및 금융분석을 시도하고 싶은 분들, 금융 딥러닝 관련 연구 논문을 쓰고자 하는 대학원생, 제4차 산업혁명의 핵심인 인공지능 및 딥러닝의 흐름을 파악하고 싶은 모든 분들께 이 강의를 추천합니다!
** 해당 강의는 소규모 (최대 5명) 온라인 실시간 강의입니다.
LSMT & Attention
LSTM (Long Short-Term Memory) 이란, 장기 단기 기억은 딥 러닝 분야에서 사용되는 인공 반복 신경 네트워크 아키텍처입니다. 표준 피드 포워드 신경망과 달리 LSTM에는 피드백 연결이 있습니다. 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스도 처리 할 수 있습니다
Attention의 기본 아이디어는 디코더에서 출력 단어를 예측하는 매 시점(time step)마다, 인코더에서의 전체 입력 문장을 다시 한 번 참고한다는 점입니다. 단, 전체 입력 문장을 전부 다 동일한 비율로 참고하는 것이 아니라, 해당 시점에서 예측해야할 단어와 연관이 있는 입력 단어 부분을 좀 더 집중(attention)해서 보게 됩니다.
Lesson
강의 상세내용
본 교육과정은 RNN(Recurrent Neural Network) / LSTM(Long-Short term Memory), Autoencoder, 그리고 효과가 더욱 강력하다고 보여지는 attention 모델에 이르기까지 금융에서 많이 사용되고 있는 주요 딥러닝의 방법들의 구조와 원리에 대해 이해하고 실습을 통해 습득하도록 합니다.
1장에서는 RNN과 LSTM의 이해를 위한 기본적인 내용을 학습합니다. 2장에서는 보다 다양한 맥락에서 유연한하게 적용할 수 있는 다양한 LSTM의 기법을 학습합니다. 3장에서는 프로젝트 구현을 통해서 RNN, LSTM이 실제로 금융에서 어떻게 구현되고 있는지 살펴봅니다. 4장에서는 attention 모델 방법들의 기본 구조와 원리에 대해 학습하고, 이를 매크로 예측 및 가격 예측모델에 적용합니다. attention 모델은 예측력 향상 이외에도 블랙박스 모델인 RNN / LSTM 모델의 해석력을 향상시키는 이점이 있어서 더욱 유망한 접근법이라고 보여집니다.
본 교육과정은 다년간 금융 현장 경험을 가진 전문가가 자신의 경험과 노하우를 바탕으로 강의를 진행하기 때문에, 실무에서 필요한 금융 딥러닝 이론에 대한 깊은 인사이트를 가져가실 수 있을 것입니다!
본 교육과정은 이론과 실습을 병행합니다. 단, 강의 시간 중에 실습 프로그램을 설치하는 시간을 별도로 갖지는 않습니다. 원활한 강의 진행을 위해 케라스와 텐서플로, 파이토치를 개인 노트북에 미리 설치해 오시기 바랍니다.
Lesson
예제 실습
▲ Uber의 시계열 예측
▲ Dual Stage Attention based LSTM
▲ 이미지 캡션을 위한 LSTM 모델
#파이썬 #LSTM #Attention #머신러닝 #딥러닝 #데이터분석
For YOU
이런 분들께 추천드립니다!
실전 투자자
새로운 방법으로 금융 투자 분석을 시도하고 싶은 실무자/투자자
금융IT 실무자
제4차 산업혁명의 핵심인 인공지능 및 딥러닝의 흐름을 파악하고 싶은 분들
학계 관련자
금융 머신러닝 딥러닝 관련 연구 논문을 쓰고자 하는 대학원생
Review
수강 후기
Professor
Ken Rhee
Ken Rhee 강사님은 금융, 투자 및 경제분석 전문가입니다. 카네기멜론 대학교에서 석사 학위를 받았고, 피츠버그 대학교 Finance Ph.D, CFA, FRM이며 삼성생명, HSBC, 새마을금고 중앙회, 한국투자공사 등과 같은 국내 유수의 금융 기관, 금융 공기업에서 자산운용 포트폴리오 매니저로 근무했습니다. 현재 딥러닝과 강화학습을 금융 및 투자에 접목시켜 이를 전파하고 저변을 확대하는 것을 보람으로 삼고 있습니다.
경력
- Finance PhD, FRM, CFA Charterholder
- 前 PIM CIO, WWG 자산운용 CIO, 한국투자공사 Deputy CIO, 새마을금고연합회 해외대체투자팀장, JR Investment L.P. Financial Consultant 등
- 서울대학교 경제학 학/석사, Carnegie-Mellon University Accounting 석사, University of Pittsburgh Finance 박사
저서/번역
- [번역] 존 헐의 비즈니스 금융 머신러닝 – 데이터 사이언스 세계로의 초대 | 에이콘출판 | 2021년
- [번역] 초과 수익을 찾아서 – 계량적 접근법을 활용한 포트폴리오 운용 | 에이콘출판 | 2021년
- [번역] 자산운용을 위한 금융 머신러닝 – 자산운용 매니저를 위한 머신러닝 지침서 | 에이콘출판 | 2021년
- [번역] 실전 알고리즘 트레이딩 배우기 – 파이썬으로 시작하는 알고리즘 트레이딩의 기초와 실전 전략 | 에이콘출판 | 2021년
- [번역] 핸즈온 머신러닝 딥러닝 알고리즘 트레이딩 파이썬, Pandas, NumPy, Scikit-learn 케라스를 활용한 효과적인 거래 전략 | 에이콘출판 | 2020년
- [번역] 실용 최적화 알고리즘 – 줄리아로 이해하는 최적화 알고리즘 솔루션 | 에이콘출판 | 2020년
- [번역] 프로그래머를 위한 기초 해석학 – 함수와 미적분을 기초부터 응용까지! | 길벗 | 2018년
- [번역] 딥러닝 부트캠프 with 케라스 | 길벗 | 2017년
- [저서] 엑셀 VBA로 쉽게 배우는 금융공학 프로그래밍 | 한빛미디어 | 2009년
Curriculum
커리큘럼
제1장 | RNN / LSTM 기본 이해
Non-stationary한 금융 시계열은 정상성을 가정하는 전통 시계열 모델로 분석하기 힘든 경우가 많습니다. 분포에 대한 가정을 하지 않는 LSTM은 이런 비정상성을 가진 시계열 분석하는 좋은 도구로 널리 활용되고 있습니다. 여번 강의에서는 기본적인 LSTM 기법을 알아보며 케라스로 실습합니다.
- 기본 LSTM 모델 구축
제2장 | RNN / LSTM 고급 이해
LSTM은 다양한 분야에서 다양하게 이용되고 있습니다. 이번 강의에서는 다양한 맥락에서 보다 유연한 적용을 위해서 다양한 LSTM 기법을 알아보며 이들을 케라스로 실습합니다.
- 다양한 LSTM 모델(다대일, 일대다, 다대다, 적층, 양방향)와 케라스 구현
- 인코더 디코더 LSTM 예측 모델
제3장 | 관련 최신 연구 업데이트
3가지 프로젝트의 구현을 통해 RNN / LSTM이 실제로 어떻게 구현되고 있는지를 살펴봅니다.
- LSTM 오토인코더를 이용한 예측 (Uber 모델)
- 적층 오토인코더 LSTM 모델 (WAE-LSTM)
- ARIMA-LSTM 모델을 이용한 예측 모델
제4장 | Attention 모델 구조 및 원리 이해
Attention 모델의 구조 및 원리를 이해해보고, Attention 모델을 활용한 예측 모델 구축 실습을 진행합니다.
- 기본 Attention 모델 구조 및 원리 이해
- 기본 Attention 모델을 활용한 예측 모델 구축 및 실습
제5장 | 기본 Transformer 모델 구조 및 원리 이해
Transformer 모델의 구조 및 원리를 이해해보고, Transformer 모델을 활용한 예측 모델 구축 실습을 진행합니다.
- Transformer 모델 구조 및 원리 이해
- Transformer 모델을 활용한 예측 모델 구축 및 실습
제6장 | 관련 최신 연구 업데이트
관련 최신 논문을 통해 실제로 어떻게 구현되고 있는지를 살펴봅니다.
- Dual stage attention LSTM 모델 (2018) 이해 및 구축 (pytorch)
수강 방법
[ 실시간 온라인 강의 ]
수강신청을 해주신 분들께 개별적으로 온라인 수강을 위한 링크를 보내드립니다.
강의자료는 당일 배포합니다
일정 및 시수
일정 : 2021년 4월 20일 ~ 22일 / 화,목 19:00~22:00
시수 : 2회, 총 6시간
유의 사항
개별 노트북 필수 지참, 세금계산서 발급가능
강의안내
결제 안내
- 대학(원)생 / 단체 / 기수강생 할인 가능합니다. (* 타쿠폰과 중복할인은 불가)
- 카드 결제시 최대 6개월 무이자 할부 가능합니다.
- 세금계산서 발급 가능합니다. 담당자(bill@fininsight.co.kr)에게 연락주시면 더 자세히 안내해 드리겠습니다.
인터넷 결제환경 안내
- Windows 7, 크롬 브라우저에 최적화 되어있습니다. 인터넷 익스플로러는 버전 9 이상을 권장합니다.
- iOS에서는 현재 결제가 불가합니다. 타 방식 이용을 권해 드립니다.
- 맥북에서는 Safari(사파리)에서 결제가 가능합니다.
강의 유의사항
- 본 강의에는 교재비가 포함되어 있습니다.
- 강의의 최소 인원이 미달될 경우 일정이 연기될 수 있습니다.
- 일정 연기 시, 수강생 분들께 개강 3일전 개별 연락을 드립니다.
인사이트 캠퍼스 지기 모집
혜택
- 본 강의 무료 수강
- 본 강의 외의 수강하고 싶은 강의는 50% 할인 혜택
- 인사이트 캠퍼스지기 활동 인증서 발급
- 금융권 진출 희망 시 진로 상담 및 네트워킹 제공 (우수 활동지기는 추천서 제공) – 핀인사이트 취업 지원 시 우대
모집 대상
- 해당 강의 관련 학과 전일제 대학(원)생 또는 관심이 많은 타과 전일제 대학(원)생
- 인원: 강의 당 1명
우대사항
- 인사이트 캠퍼스 기 수강자
- 해당 강의 관련 프로젝트 경험자
- 해당 강의 관련 컴퓨터 언어 활용 가능자
활동 내용
- 수강생들이 효과적으로 강의를 수강할 수 있도록 돕는 역할
- 운영을 위한 세부사항을 기획하며, 다음 기수 수강생 모집 준비를 지원하는 역할
- 해당 강의 종료 후 수강생 인터뷰 작성 (A4 1장 분량) – 차기 강의 개발 전략에 참여
신청 방법
- 아래 신청 버튼을 통해 캠퍼스지기를 신청해주시면, 신청하신 모든 분들께 해당 강의 개강 1주 전까지 개별 연락 드립니다.
- https://goo.gl/forms/5KsDKKkUywVKPbZB2
