[재직자 대상] 은행 업무 내 활용을 위한 인공지능 역량 강화
-
강사 소프트웨어씽킹연구소 김진숙 강사
일정 1차) 2024년 7월 13일(토) ~ 7월 28일(일) / 6회
2차) 2024년 10월 5일(토) ~ 10월 20일(일) / 6회
시간 (주말) 토, 일 9시-18시 / 48시간
장소 이룸센터(국회의사당 4번 출구 앞)
*오프라인 참석이 어려운 분에 한해 실시간 ZOOM 수업 참여 가능(실시간 참여 시에만 출석 인정)
인원 23명 내외
신청접수기간 선착순 모집 *선착순으로 조기마감될 수 있습니다.
수강여부안내 교육 개강일 5일 전 17시
비용 무료
문의 금융 특화 AI사무국
(02-3274-9389, rhtndk1020@kma.or.kr, 카카오톡 채널 @금융특화ai사무국) 문의하기
이번 과정의 특징을 알아볼까요?
| 대상 | 금융 또는 핀테크 기업 재직자 *중소/스타트업부터 대기업까지 모두 가능 *2023년 동일 과정 수강자 신청 불가 | ||
| 목표 | - 은행 업무 수행 중 비즈니스 문제 해결을 위해 고객 특성을 추출하고 상품 추천, 이상 거래 탐지, 트래픽 분석 수행 - 고객들을 분류해 이탈 여부 분석, 마케팅을 위한 인사이트에 활용 - 온/오프라인 트래픽 분석을 통한 인사이트 추출 - 상품 거래 내역을 통한 상품 추천 및 의심 거래내역 분류 | ||
| 특장점 | - 실제 금융 산업 현장의 데이터를 활용하는 맞춤형 커리큘럼 - 비전공자도 할 수 있도록 이론/실습/프로젝트로 체계적인 교육체계 구성 - 은행에 맞춤화 된 데이터 확보 및 쉽고 비개발 직군이 쉽게 이해 및 실습이 가능하도록 커리큘럼 설계 - 교육 후반에 자율 프로젝트를 수행해 교육생들이 실제 | ||
| 기간 | 1차) 2024년 7월 13일(토) ~ 7월 28일(일) / 6회 2차) 2024년 10월 5일(토) ~ 10월 20일(일) / 6회 | ||
| 시간 | (주말) 토, 일 9시-18시 / 48시간 | ||
| 인원 | 23명 내외 | ||
| 비용 | 교육비 무료 | ||
| 장소 | 이룸센터(국회의사당 4번 출구 앞) *오프라인 참석이 어려운 분에 한해 실시간 ZOOM 수업 참여 가능(실시간 참여 시에만 출석 인정) | ||
신청 | - 신청접수기간 : 선착순 모집 *선착순으로 조기마감될 수 있습니다. - 수강여부안내 : 교육 개강일 5일 전 17시 - 제출 서류 : 금융산업 혹은 핀테크 분야 기업에 재직 확인 가능한 증빙서류 (사업자등록증, 재직증명서 등) *증빙서류 제출순으로 선착순 신청 완료 | ||
프로그램의 강사는 어떤 분이세요?
강사 |  | 김진숙 △ 소프트웨어씽킹연구소 S/W 개발, 강사 △ SBA 금융디지털 분석가 과정, 멀티캠퍼스 머신러닝/딥러닝 산업데이터 분석, 아시아 경제 핀테크 디지털 금융사이언티스트 프로젝트 등 다수의 AI 강의 △ 연구분야 : AI 기반 금융데이터분석 | ||
프로그램 커리큘럼이 궁금합니다!
1) 사전 동영상 강의
| 주제 | 강의내용 | 비고 | 시간 |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | ● 머신 러닝을 위한 표현방법 ● 지도학습과 Decision Tree ● 확률적 구분기와 Naive Bayes ● Non-parametric 구분기와 ensemble 모델 | 이론 | 4H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | ● Linear Regression과 Least Square ● Linear Classification ● Linear Model의 한계점과 보완방법 | 이론 | 3H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | ● Non-linear Data 학습 방법 ● Unsupervised Learning ● Weak- & Semi- Supervision | 이론 | 3H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | ● Gradient Descent ● Deep Neural Network ● Supervised Learning & Unsupervised Learning with Deep Neural Network | 이론 | 3H |
| 핀테크 비즈니스 현황 및 트렌드 | ● 핀테크 산업의 트렌드 ● 핀테크 기반 BM 동향 ● 데이터 분석 및 인공지능 적용 비즈니스 혁신 사례 ● 금융 관련 핵심 이슈와 규제 | 이론 | 2H |
| 머신 러닝 | ● 머신 러닝의 학습 프레임워크 ● 머신 러닝과 딥 러닝의 차이 ● 다양한 머신 러닝 딥 러닝 사례 | 이론 | 1H |
| 핀테크 AI 모델과 데이터 | ● 핀테크 분야에서 사용하는 AI와 데이터에 대해 소개 ● 핀테크 직무과정 AI 리터러시 ● 핀테크 AI 모델의 동작원리 ● 핀테크 AI 모델의 사용 데이터 | 이론 | 1.5H |
| 금융데이터의 특징과 처리방법 | ● 금융 데이터 구조의 유형별 사례를 소개하며 분석 방법 교육 ● 데이터 구조에 따라 분석 시 주의사항 소개 ● 데이터 전처리와 탐색 ● AI 성능 평가 방법 | 이론 | 1.5H |
* 온라인 동영상 강의는 오프라인 강의에 도움이 될 수 있는 기초강의로 수료에는 미포함되며, 수료기준(80%이상)은 오프라인 강의에 적용됩니다.
2-1) 실시간 오프라인 강의 1차
| 일자 | 시간 | 주제 | 강의내용 | 비고 |
| 07/13 (토) | 09:00-18:00 | 금융 산업 내 AI 이용 사례와 AI 발전 동향 | ● 금융 산업의 디지털 혁신에 따른 화두 소개 - 핀테크 기업들의 AI 기반 의사결정 자동화 - 고객 접점 확대(예. Everyday banking) 통한 초 개인화 - 영업점의 전략적 의미 및 활용 방안 ● AI의 최근 발전 및 활용 방안의 변화 양상 - 챗GPT 등 생성AI 출현이 데이터 과학 작업 과정에 미칠 영향 및 활용 방안 | 이론 |
| AI 활용을 위한 데이터 리터러시 | ● 모델 기반 AI보다 데이터 기반 AI가 주목받는 배경 이해 ● 전사 차원의 기본적 데이터 리터러시가 확립되는 것의 중요성 ● 데이터에 대한 직관적 해석 및 비판적 해석을 사례 논의 (예. 시계열 데이터에서 산업 특성에 대한 인사이트 도출) | 이론 | ||
| AI를 활용한 의사결정 | ● 의사결정자의 입장에서 고려해야 할 Key question 정의 ● 모델의 성능 평가를 위한 의사결정 원리 소개 ● 의사결정 자동화 유형 이해 - Human in the loop - Human in the loop for exceptions - Human on the loop - Human out of the loop | 이론 | ||
| 07/14 (일) | 09:00-18:00 | AI를 활용한 의사결정 | ● 의사결정자의 입장에서 고려해야 할 Key question 정의 ● 모델의 성능 평가를 위한 의사결정 원리 소개 ● 의사결정 자동화 유형 이해 - Human in the loop - Human in the loop for exceptions - Human on the loop - Human out of the loop | 이론 |
| AI 기반 문제 해결을 위한 분석 기획 | ● 비즈니스 - 분석 - 데이터 관리 3관점의 통합적 이해 ● 비즈니스 문제를 분석의 문제로 바꾸는 과정의 중요성 ● 분석 문제에서 요구되는 유형에 따른 기법 선별 요령 | 이론 | ||
| AI 활용을 위한 툴 개괄 및 실습 | ● 스프레드시트가 아닌 코드(R, Python, Julia 등) 기반 데이터 분석의 의미: 확장가능성 및 재현성 확보 ● No code 및 low code 툴 소개와 장단점 이해 ● 챗GPT 통한 코딩 간소화 및 AutoML로 인한 모델 자동화 등 툴 이용의 진입 장벽이 낮아지는 추이 이해 | 이론 | ||
| 데이터 전처리 및 탐색적 분석(EDA) | ● 모델링 전 탐색적 분석(EDA)을 통해 데이터에 대해 이해하는 것의 중요성 이해 ● 금융 데이터에 주로 사용되는 Feature engineering의 이해 및 주요 방법론 소개 ● Train/Test 분할을 통한 과적합(Overfitting) 방지가 중요한 이유 | 이론 | ||
| 07/20 (토) | 09:00-18:00 | 데이터 전처리 및 탐색적 분석(EDA) | ● 모델링 전 탐색적 분석(EDA)을 통해 데이터에 대해 이해하는 것의 중요성 이해 ● 금융 데이터에 주로 사용되는 Feature engineering의 이해 및 주요 방법론 소개 ● Train/Test 분할을 통한 과적합(Overfitting) 방지가 중요한 이유 | 이론 |
| 활용 사례 기반 실습 1: 이탈고객 예측 | ● 상품 판매에서 서비스 제공으로의 흐름 및 고객 이탈방지의 사업적 효과 이해 ● 은행 이탈 고객 예측의 방법론 및 사례 소개 ● 은행 고객별 이탈 여부 데이터 활용, 스프레드시트(Google Sheet SimpleML) 기반 Random Forest 및 GBM | 이론/실습 | ||
| 활용 사례 기반 실습 2: 이상치 감지 | ● 이상치 감지의 자동화에 대한 개념 이해 ● 지도학습 대비 비지도학습의 특수성 이해 ● 금융기관 트래픽 데이터 활용, 스프레드시트(Google Sheet SimpleML) 기반 모의 사례 실습 | 이론/실습 | ||
| 07/21 (일) | 09:00-18:00 | 활용 사례 기반 실습 3: 지점 방문자수 예측 | ● 회귀 모델의 개념 이해 및 활용 가능성 소개 ● 독립변수, 종속변수 설정 등 모델 구조 설계 및 모델 결과 해석 ● 은행 지점 별 방문객수 데이터 활용, 스프레드시트(Excel) 활용 회귀 모델 실습 | 이론/실습 |
| 활용 사례 기반 실습 4: 고객 세그멘테이션 | ● 대표적인 비지도학습인 군집(clustering) 분석에 대한 이해 ● 금융상품 판매를 위한 고객 세그멘테이션 과정 이해 ● 스프레드시트(Excel) 및 Python 활용 K-Means 실습 | 이론/실습 | ||
| 활용 사례 기반 실습 5: 교차구매 상품 도출 | ● 기존 고객의 추가 금융 상품 이용을 위한 방법론 및 사례 소개 ● Basket analysis의 개념 및 방법론 이해 ● Python 코드를 활용한 교차구매 상품 추천 실습 | 이론/실습 | ||
| 07/27 (토) | 09:00-18:00 | 활용 사례 기반 실습 5: 교차구매 상품 도출 | ● 기존 고객의 추가 금융 상품 이용을 위한 방법론 및 사례 소개 ● Basket analysis의 개념 및 방법론 이해 ● Python 코드를 활용한 교차구매 상품 추천 실습 | 이론/실습 |
| 활용 사례 기반 실습 6: 시계열 예측 | ● 시계열 데이터의 특수성에 대한 이해 ● 금융 산업 내 실무에서 시계열 예측이 활용된 주요 사례 소개 ● Python을 활용한 환율 예측 실습 (회귀, ARIMA, ETS, Random Forest, Prophet 등 활용 가능) | 이론/실습 | ||
| Deep Learning 기법 개괄 및 설명가능한 AI 소개 | ● Deep Learning 기법에 대한 개념적 이해를 통한 장단점 설명 ● 실습 6에서의 시계열 데이터로 Deep Learning 간단한 예제 진행 ● Deep Learning 등 복잡한 모델의 출현과 설명가능한 AI(eXplanable AI)의 부각 배경 및 주요 기법 (SHAP 등) 소개 | 이론/실습 | ||
| 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | ● 은행 거래 데이터 활용, 의심 거래 건수 감지 프로젝트 ● 비즈니스 문제 구조화 및 분석 문제 정의 ● 분석 설계 구체화 및 기법, 접근법 논의 ● EDA 및 Feature engineering 진행 | 프로젝트 | ||
| 07/28 (일) | 09:00-18:00 | 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | ● 은행 거래 데이터 활용, 의심 거래 건수 감지 프로젝트 ● 비즈니스 문제 구조화 및 분석 문제 정의 ● 분석 설계 구체화 및 기법, 접근법 논의 ● EDA 및 Feature engineering 진행 | 프로젝트 |
| 프로젝트 진행 (2/3): 모델링 진행 및 고도화 | ● Train/Test 분리 및 Cross-Validation ● 분류 모델 선정 및 모델링 적용 ● 주요지표(Precision, Recall, F1) 통한 모델 간 성능 평가 ● 초매개변수(Hyperparameter) 조정 및 모델 성능 고도화 ● (선택적) h2o 통한 AutoML 실습 | 프로젝트 | ||
| 프로젝트 진행 (3/3): 분석 결과 해석 및 커뮤니케이션 | ● 추론 모델의 예측 근거를 산정하는 방법론 실습 ● 효과적인 데이터 시각화 요령 및 사례 소개, 주요 방법론 실습 ● 의사결정을 위한 보고서 구성 요령 실습 | 프로젝트 |
2-2) 실시간 오프라인 강의 2차
| 일자 | 시간 | 주제 | 강의내용 | 비고 |
| 10/05 (토) | 09:00-18:00 | 금융 산업 내 AI 이용 사례와 AI 발전 동향 | ● 금융 산업의 디지털 혁신에 따른 화두 소개 - 핀테크 기업들의 AI 기반 의사결정 자동화 - 고객 접점 확대(예. Everyday banking) 통한 초 개인화 - 영업점의 전략적 의미 및 활용 방안 ● AI의 최근 발전 및 활용 방안의 변화 양상 - 챗GPT 등 생성AI 출현이 데이터 과학 작업 과정에 미칠 영향 및 활용 방안 | 이론 |
| AI 활용을 위한 데이터 리터러시 | ● 모델 기반 AI보다 데이터 기반 AI가 주목받는 배경 이해 ● 전사 차원의 기본적 데이터 리터러시가 확립되는 것의 중요성 ● 데이터에 대한 직관적 해석 및 비판적 해석을 사례 논의 (예. 시계열 데이터에서 산업 특성에 대한 인사이트 도출) | 이론 | ||
| AI를 활용한 의사결정 | ● 의사결정자의 입장에서 고려해야 할 Key question 정의 ● 모델의 성능 평가를 위한 의사결정 원리 소개 ● 의사결정 자동화 유형 이해 - Human in the loop - Human in the loop for exceptions - Human on the loop - Human out of the loop | 이론 | ||
| 10/06 (일) | 09:00-18:00 | AI를 활용한 의사결정 | ● 의사결정자의 입장에서 고려해야 할 Key question 정의 ● 모델의 성능 평가를 위한 의사결정 원리 소개 ● 의사결정 자동화 유형 이해 - Human in the loop - Human in the loop for exceptions - Human on the loop - Human out of the loop | 이론 |
| AI 기반 문제 해결을 위한 분석 기획 | ● 비즈니스 - 분석 - 데이터 관리 3관점의 통합적 이해 ● 비즈니스 문제를 분석의 문제로 바꾸는 과정의 중요성 ● 분석 문제에서 요구되는 유형에 따른 기법 선별 요령 | 이론 | ||
| AI 활용을 위한 툴 개괄 및 실습 | ● 스프레드시트가 아닌 코드(R, Python, Julia 등) 기반 데이터 분석의 의미: 확장가능성 및 재현성 확보 ● No code 및 low code 툴 소개와 장단점 이해 ● 챗GPT 통한 코딩 간소화 및 AutoML로 인한 모델 자동화 등 툴 이용의 진입 장벽이 낮아지는 추이 이해 | 이론 | ||
| 데이터 전처리 및 탐색적 분석(EDA) | ● 모델링 전 탐색적 분석(EDA)을 통해 데이터에 대해 이해하는 것의 중요성 이해 ● 금융 데이터에 주로 사용되는 Feature engineering의 이해 및 주요 방법론 소개 ● Train/Test 분할을 통한 과적합(Overfitting) 방지가 중요한 이유 | 이론 | ||
| 10/12 (토) | 09:00-18:00 | 데이터 전처리 및 탐색적 분석(EDA) | ● 모델링 전 탐색적 분석(EDA)을 통해 데이터에 대해 이해하는 것의 중요성 이해 ● 금융 데이터에 주로 사용되는 Feature engineering의 이해 및 주요 방법론 소개 ● Train/Test 분할을 통한 과적합(Overfitting) 방지가 중요한 이유 | 이론 |
| 활용 사례 기반 실습 1: 이탈고객 예측 | ● 상품 판매에서 서비스 제공으로의 흐름 및 고객 이탈방지의 사업적 효과 이해 ● 은행 이탈 고객 예측의 방법론 및 사례 소개 ● 은행 고객별 이탈 여부 데이터 활용, 스프레드시트(Google Sheet SimpleML) 기반 Random Forest 및 GBM | 이론/실습 | ||
| 활용 사례 기반 실습 2: 이상치 감지 | ● 이상치 감지의 자동화에 대한 개념 이해 ● 지도학습 대비 비지도학습의 특수성 이해 ● 금융기관 트래픽 데이터 활용, 스프레드시트(Google Sheet SimpleML) 기반 모의 사례 실습 | 이론/실습 | ||
| 10/13 (일) | 09:00-18:00 | 활용 사례 기반 실습 3: 지점 방문자수 예측 | ● 회귀 모델의 개념 이해 및 활용 가능성 소개 ● 독립변수, 종속변수 설정 등 모델 구조 설계 및 모델 결과 해석 ● 은행 지점 별 방문객수 데이터 활용, 스프레드시트(Excel) 활용 회귀 모델 실습 | 이론/실습 |
| 활용 사례 기반 실습 4: 고객 세그멘테이션 | ● 대표적인 비지도학습인 군집(clustering) 분석에 대한 이해 ● 금융상품 판매를 위한 고객 세그멘테이션 과정 이해 ● 스프레드시트(Excel) 및 Python 활용 K-Means 실습 | 이론/실습 | ||
| 활용 사례 기반 실습 5: 교차구매 상품 도출 | ● 기존 고객의 추가 금융 상품 이용을 위한 방법론 및 사례 소개 ● Basket analysis의 개념 및 방법론 이해 ● Python 코드를 활용한 교차구매 상품 추천 실습 | 이론/실습 | ||
| 10/19 (토) | 09:00-18:00 | 활용 사례 기반 실습 5: 교차구매 상품 도출 | ● 기존 고객의 추가 금융 상품 이용을 위한 방법론 및 사례 소개 ● Basket analysis의 개념 및 방법론 이해 ● Python 코드를 활용한 교차구매 상품 추천 실습 | 이론/실습 |
| 활용 사례 기반 실습 6: 시계열 예측 | ● 시계열 데이터의 특수성에 대한 이해 ● 금융 산업 내 실무에서 시계열 예측이 활용된 주요 사례 소개 ● Python을 활용한 환율 예측 실습 (회귀, ARIMA, ETS, Random Forest, Prophet 등 활용 가능) | 이론/실습 | ||
| Deep Learning 기법 개괄 및 설명가능한 AI 소개 | ● Deep Learning 기법에 대한 개념적 이해를 통한 장단점 설명 ● 실습 6에서의 시계열 데이터로 Deep Learning 간단한 예제 진행 ● Deep Learning 등 복잡한 모델의 출현과 설명가능한 AI(eXplanable AI)의 부각 배경 및 주요 기법 (SHAP 등) 소개 | 이론/실습 | ||
| 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | ● 은행 거래 데이터 활용, 의심 거래 건수 감지 프로젝트 ● 비즈니스 문제 구조화 및 분석 문제 정의 ● 분석 설계 구체화 및 기법, 접근법 논의 ● EDA 및 Feature engineering 진행 | 프로젝트 | ||
| 10/20 (일) | 09:00-18:00 | 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | ● 은행 거래 데이터 활용, 의심 거래 건수 감지 프로젝트 ● 비즈니스 문제 구조화 및 분석 문제 정의 ● 분석 설계 구체화 및 기법, 접근법 논의 ● EDA 및 Feature engineering 진행 | 프로젝트 |
| 프로젝트 진행 (2/3): 모델링 진행 및 고도화 | ● Train/Test 분리 및 Cross-Validation ● 분류 모델 선정 및 모델링 적용 ● 주요지표(Precision, Recall, F1) 통한 모델 간 성능 평가 ● 초매개변수(Hyperparameter) 조정 및 모델 성능 고도화 ● (선택적) h2o 통한 AutoML 실습 | 프로젝트 | ||
| 프로젝트 진행 (3/3): 분석 결과 해석 및 커뮤니케이션 | ● 추론 모델의 예측 근거를 산정하는 방법론 실습 ● 효과적인 데이터 시각화 요령 및 사례 소개, 주요 방법론 실습 ● 의사결정을 위한 보고서 구성 요령 실습 | 프로젝트 |
교육 신청 하려면 어떻게 해야 하나요?
| 방법 | - 하단 버튼을 클릭하시고 양식에 맞춰 작성하신 후 제출해 주세요. 신청하기 - 교육 개강일 5일 전 17시에 신청 시 작성해주신 이메일 또는 문자로 연락 드릴 예정입니다. | ||
자주하는 질문
| Q. 인공지능 사전 지식이 없어도 수강이 가능한가요? | ||
| A. 본 교육과정은 인공지능 교육이 아닌 인공지능의 금융산업 활용 교육입니다. 때문에 금융산업에 특화된 인공지능 기술에 관심이 있으신 분이라면 충분히 수강 가능합니다. | ||
| Q. 교육생 선발은 어떻게 되나요? | ||
| A. 교육 신청 시 제출하신 해당산업분야 대상여부 확인이 가능한 증빙서류를 통해 자격 요건을 확인하고 있습니다. 과정별 대상자 부합 여부 및 선착순으로 선정됩니다. | ||
| Q. 수료기준은 어떻게 되나요? | ||
| A. 실시간 강의 기준 출석률 80%이상(사전교육영상 수강시간 미포함) 참여 시 수료 됩니다 | ||
| Q. 수료증 발급이 되나요? | ||
| A. 수료증은 기본적으로 한국핀테크지원센터 명의 수료증이 발급되며, 필요한 경우 교육 운영사인 한국능률협회 명의 수료증도 추가 발급 가능합니다. | ||
이번 과정의 특징을 알아볼까요?
| 대상 | 금융 또는 핀테크 기업 재직자 *중소/스타트업부터 대기업까지 모두 가능 *2023년 동일 과정 수강자 신청 불가 |
| 목표 | - 은행 업무 수행 중 비즈니스 문제 해결을 위해 고객 특성을 추출하고 상품 추천, 이상 거래 탐지, 트래픽 분석 수행 - 고객들을 분류해 이탈 여부 분석, 마케팅을 위한 인사이트에 활용 - 온/오프라인 트래픽 분석을 통한 인사이트 추출 - 상품 거래 내역을 통한 상품 추천 및 의심 거래내역 분류 |
| 특징 | - 실제 금융 산업 현장의 데이터를 활용하는 맞춤형 커리큘럼 - 비전공자도 할 수 있도록 이론/실습/프로젝트로 체계적인 교육체계 구성 - 은행에 맞춤화 된 데이터 확보 및 쉽고 비개발 직군이 쉽게 이해 및 실습이 가능하도록 커리큘럼 설계 - 교육 후반에 자율 프로젝트를 수행해 교육생들이 실제 |
| 기간 | 1차) 2024년 7월 13일(토) ~ 7월 28일(일) / 6회 2차) 2024년 10월 5일(토) ~ 10월 20일(일) / 6회 |
| 시간 | (주말) 토, 일 9시-18시 / 48시간 |
| 인원 | 23명 내외 |
| 비용 | 교육비 무료 |
| 장소 | 이룸센터(국회의사당 4번 출구 앞) *오프라인 참석이 어려운 분에 한해 실시간 ZOOM 수업 참여 가능(실시간 참여 시에만 출석 인정) |
신청 | - 신청접수기간 : 선착순 모집 *선착순으로 조기마감될 수 있습니다. - 수강여부안내 : 교육 개강일 5일 전 17시 - 제출 서류 : 금융산업 혹은 핀테크 분야 기업에 재직 확인 가능한 증빙서류 (사업자등록증, 재직증명서 등) *증빙서류 제출순으로 선착순 신청 완료 |
프로그램의 강사는 어떤 분이세요?
| 강사 |  |
김진숙 △ 소프트웨어씽킹연구소 S/W 개발, 강사 △ SBA 금융디지털 분석가 과정, 멀티캠퍼스 머신러닝/딥러닝 산업데이터 분석, 아시아 경제 핀테크 디지털 금융사이언티스트 프로젝트 등 다수의 AI 강의 △ 연구분야 : AI 기반 금융데이터분석 |
커리큘럼이 궁금합니다!
1) 사전 동영상 강의
| 주제 | 시간 |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | 4H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | 3H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | 3H |
| 딥러닝의 깊이 있는 이해를 위한 머신러닝 | 3H |
| 핀테크 비즈니스 현황 및 트렌드 | 2H |
| 머신 러닝 | 1H |
| 핀테크 AI 모델과 데이터 | 1.5H |
| 금융데이터의 특징과 처리방법 | 1.5H |
* 온라인 동영상 강의는 오프라인 강의에 도움이 될 수 있는 기초강의로 수료에는 미포함되며, 수료기준(80%이상)은 오프라인 강의에 적용됩니다.
2-1) 실시간 오프라인 1차
| 일자 | 시간 | 주제 | 비고 |
| 07/13 (토) | 09:00-18:00 | 금융 산업 내 AI 이용 사례와 AI 발전 동향 | 이론 |
| AI 활용을 위한 데이터 리터러시 | 이론 | ||
| AI를 활용한 의사결정 | 이론 | ||
| 07/14 (일) | 09:00-18:00 | AI를 활용한 의사결정 | 이론 |
| AI 기반 문제 해결을 위한 분석 기획 | 이론 | ||
| AI 활용을 위한 툴 개괄 및 실습 | 이론 | ||
| 데이터 전처리 및 탐색적 분석(EDA) | 이론 | ||
| 07/20 (토) | 09:00-18:00 | 데이터 전처리 및 탐색적 분석(EDA) | 이론 |
| 활용 사례 기반 실습 1: 이탈고객 예측 | 이론/실습 | ||
| 활용 사례 기반 실습 2: 이상치 감지 | 이론/실습 | ||
| 07/21 (일) | 09:00-18:00 | 활용 사례 기반 실습 3: 지점 방문자수 예측 | 이론/실습 |
| 활용 사례 기반 실습 4: 고객 세그멘테이션 | 이론/실습 | ||
| 활용 사례 기반 실습 5: 교차구매 상품 도출 | 이론/실습 | ||
| 07/27 (토) | 09:00-18:00 | 활용 사례 기반 실습 5: 교차구매 상품 도출 | 이론/실습 |
| 활용 사례 기반 실습 6: 시계열 예측 | 이론/실습 | ||
| Deep Learning 기법 개괄 및 설명가능한 AI 소개 | 이론/실습 | ||
| 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | 프로젝트 | ||
| 07/28 (일) | 09:00-18:00 | 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | 프로젝트 |
| 프로젝트 진행 (2/3): 모델링 진행 및 고도화 | 프로젝트 | ||
| 프로젝트 진행 (3/3): 분석 결과 해석 및 커뮤니케이션 | 프로젝트 |
2-2) 실시간 오프라인 2차
| 일자 | 시간 | 주제 | 비고 |
| 10/05 (토) | 09:00-18:00 | 금융 산업 내 AI 이용 사례와 AI 발전 동향 | 이론 |
| AI 활용을 위한 데이터 리터러시 | 이론 | ||
| AI를 활용한 의사결정 | 이론 | ||
| 10/06 (일) | 09:00-18:00 | AI를 활용한 의사결정 | 이론 |
| AI 기반 문제 해결을 위한 분석 기획 | 이론 | ||
| AI 활용을 위한 툴 개괄 및 실습 | 이론 | ||
| 데이터 전처리 및 탐색적 분석(EDA) | 이론 | ||
| 10/12 (토) | 09:00-18:00 | 데이터 전처리 및 탐색적 분석(EDA) | 이론 |
| 활용 사례 기반 실습 1: 이탈고객 예측 | 이론/실습 | ||
| 활용 사례 기반 실습 2: 이상치 감지 | 이론/실습 | ||
| 10/13 (일) | 09:00-18:00 | 활용 사례 기반 실습 3: 지점 방문자수 예측 | 이론/실습 |
| 활용 사례 기반 실습 4: 고객 세그멘테이션 | 이론/실습 | ||
| 활용 사례 기반 실습 5: 교차구매 상품 도출 | 이론/실습 | ||
| 10/19 (토) | 09:00-18:00 | 활용 사례 기반 실습 5: 교차구매 상품 도출 | 이론/실습 |
| 활용 사례 기반 실습 6: 시계열 예측 | 이론/실습 | ||
| Deep Learning 기법 개괄 및 설명가능한 AI 소개 | 이론/실습 | ||
| 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | 프로젝트 | ||
| 10/20 (일) | 09:00-18:00 | 프로젝트 진행 (1/3): 문제 정의 및 분석 기획 | 프로젝트 |
| 프로젝트 진행 (2/3): 모델링 진행 및 고도화 | 프로젝트 | ||
| 프로젝트 진행 (3/3): 분석 결과 해석 및 커뮤니케이션 | 프로젝트 |
교육신청 하려면 어떻게 해야 하나요?
| 방법 | - 하단 버튼을 클릭하시고 양식에 맞춰 작성하신 후 제출해 주세요. - 교육 개강일 5일 전 17시에 신청 시 작성해주신 이메일 또는 문자로 연락 드릴 예정입니다. |
자주하는 질문
| Q. 인공지능 사전 지식이 없어도 수강이 가능한가요? |
| A. 본 교육과정은 인공지능 교육이 아닌 인공지능의 금융산업 활용 교육입니다. 때문에 금융산업에 특화된 인공지능 기술에 관심이 있으신 분이라면 충분히 수강 가능합니다. |
| Q. 교육생 선발은 어떻게 되나요? |
| A. 교육 신청 시 제출하신 해당산업분야 대상여부 확인이 가능한 증빙서류를 통해 자격 요건을 확인하고 있습니다. 과정별 대상자 부합 여부 및 선착순으로 선정됩니다. |
| Q. 수료기준은 어떻게 되나요? |
| A. 실시간 강의 기준 출석률 80%이상(사전교육영상 수강시간 미포함) 참여 시 수료 됩니다. |
| Q. 수료증 발급이 되나요? |
| A. 수료증은 기본적으로 한국핀테크지원센터 명의 수료증이 발급되며, 필요한 경우 교육 운영사인 한국능률협회 명의 수료증도 추가 발급 가능합니다. |
(사)한국능률협회