|
|
 |
클라우드태그
javascript PHP HTML ASP mysql CSS Mobile jquery image slide 占쌨댐옙 메뉴 占쏙옙占쏙옙占쏙옙트
|
|
| 현재접속자 명 |
 |
|
|
|
|
|
|
 76 |
| |
 1,098 |
| |
 2018-10-12 15:33:34 |
|
  |
|
|
 닉네임
|
  봄바람살랑 |
| |
|
제목
|
[인크레파스/빅데이터 분석] 2018년 11월 국가기간전략산업직종훈련 빅데이터 분석전문가 양성과정 모집 |
|
내용
|
|
[인크레파스/빅데이터 분석] 2018년 11월 국가기간전략산업직종훈련 빅데이터 분석전문가 양성과정 모집
통계와 머신러닝 기반 빅데이터 분석전문가 양성과정 상담예약
|
교 육 기 간
|
2018.11.27 ~ 2019.05.31
|
|
총교육기간
|
1000시간
|
|
교 육 대 상
|
취업준비생, 예비창업가, 졸업예정자, 야간대/사이버대/방통대 학생, 퇴사예정자, 영세사업자, 이직희망자
|
|
정 원
|
20명
|
|
수 강 료
|
0원 (전액무료)
|
|
일일교육시간
|
09:30 ~ 18:30 (일일 8시간)
|
◆ 교육목표
빅데이터를 수집하고 원하는 형태로 저장하여 목적에 맞게 처리하고 통계와 컴퓨팅 기술을 기반으로 대용량 데이터를 관리, 처리, 분석할 수 있으며, 빅데이터 플랫폼을 개발하고 관리할 수 있는 빅데이터 분석 전문 인력 양성을 목표로 한다.
1. 수집된 내·외부 데이터 및 정형·비정형 데이터를 기반으로 통계 패키지인 R을 활용해 분석 목적에 따라 가설을 설정하고 필요한 데이터셋을 편성하여 통계기반 데이터 분석 모델을 만들고 평가하는 능력을 함양한다.
2. 파이썬의 머신러닝 라이브러리를 이용해 고도의 정확도가 요구되는 문제를 해결하기 위해 복잡한 데이터 구조 패턴을 기계(컴퓨터)로 하여금 스스로 학습하게 하는 머신러닝 알고리즘 기술을 적용해 현업의 데이터를 분석하고, 실제 업무에 적용하는 능력을 함양한다.
3. 대용량의 데이터 집합으로부터 유용한 정보를 찾고 결과를 예측하기 위해 목적에 따라 다양한 분석기술과 방법론을 적용해 정형/비정형 대용량 데이터를 구축, 탐색, 분석하고 시각화 하는 능력을 함양한다.
◆ 과정소개
통계와 머신러닝기반 빅데이터 분석전문가 양성과정(국가기간전략산업직종)
- NCS 기반 교육을 통해 현장에서 필요로 하는 개발자 업무 능력을 배우고 이를 테스트를 통해 점검합니다.
- 개인에게 적합한 학습방법과 예제 등을 제시하여 시간 낭비를 줄이고 학습의 효과를 높입니다.
- 매일 이론과 실습 위주의 교육을 진행하며, IT 기업에 소프트웨어 개발자, 기획자 등의로 취업하기 위한 준비를 합니다.
◆ 국가기간 전략산업 훈련이란?
IT 산업 등의 부족한 인력을 양성하기 위하여 고용노동부가 지원하는 교육으로 교육비는 전액 무료입니다.
훈련장려금은 월 31만 6천원 * 교육개월수가 지원됩니다. 장려금은 매월 고용노동부에서 훈련생의 통장으로 입금됩니다.
◆ 참여대상
일반인: 취업준비생, 예비창업가, 야간대/사이버대/방통대 재학생, 퇴사예정자, 이직희망자, 고등학교 졸업자 (하나만 해당되도 가능)
재학생: 2019년 2월 졸업예정자. 1일 8시간 평일 교육 과정에 참여가 가능한 학생
수강신청 절차
1. 고용노동부 워크넷 구직 등록 (www.work.go.kr 에 회원 가입 → 구직 등록 → 고용센터 인증까지 최소 1일 소요)
2. 교육 동영상 신청 (HRD-Net www.hrd.go.kr 사이트 회원 가입 후 "국가기간전략 산업직종 훈련안내 동영상 시청")
3. 고용센터 방문 후 내일배움카드 신청 (거주지 관할 고용센터에서 신청 가능하며, 발급까지 보통 3~4주 기간이 소요)
4. 카드 발급 후 인크레파스 교육센터에서 훈련 수강
◆ 수강혜택
교육비 전액 무료
훈련장려금 월 316,000원*교육개월 수 (취업성공패키지 이용 시 최대 월 416,000원)
개발자 출신 강사진의 현장에서 쓰는 개발 강의
수업 후 강의실 내 자습 및 프로젝트 진행 가능
자바스크립트, Node.js 등 현장에서 필요로 하는 기술세미나
자바, 안드로이드, 데이터베이스, 웹개발 동영상 강의 제공
채용연계 및 취업 지원, 취업지원 시작 후 매주 채용공고 취합 및 제공
1인 1사물함 제공
◆ 상담안내
인크레파스 융합SW교육센터에서 수강신청을 하시면 당일 상담 일정 등 안내 문자와 전화 상담이 진행됩니다.
인크레파스 융합SW교육센터 본관(서울시 관악구 시흥대로 552 석천빌딩 7층)
인크레파스 융합SW교육센터 별관(서울특별시 구로구 디지털로32가길 16 파트너스타워 4F)
◆ 교육 상담 문의
전화: 02-869-1080, 02-869-1081
팩스: 02-869-1082
◆ 교육커리큘럼
|
NCS교과
|
교과목
|
소주제
|
세부교육내용
|
|
데이터 시각화
|
빅데이터 분석
결과 시각화
|
분석 결과 스토리텔링하기
|
- 분석 결과 유형 및 활용 목적
- 데이터 분석 대상 업무 도메인(Domain)
- 시각화 구축의 목적과 사용 의도, 시각화 시스템 작동 방식
- 스토리보드 작성 프로세스, 스토리보드 활용 방안
|
|
분석 정보 시각화하기
|
- 시각화 기술 및 알고리즘, 데이터 분석 대상 업무
- 시각화 정보 구조 및 구성 요소,
- 시각화 구축의 목적과 사용 의도, 시각화 시스템 작동 방식
- 화면구성 특징에 따른 시각화 기법, 시각화 표현 기법
- UX(User Experience) 설계 방법론
- 효과적인 컬러 및 폰트 사용법, 시각화 디자인 원칙
|
|
정보 시각화 구현하기
|
- 자크 베르탱(Jacques Bertin)그래픽 7요소
- 시각화 도구 사용, 디자인 기법 일반
- 효과적인 컬러 및 폰트 사용법
- 시각화 디자인 원칙 및 원리, 인터렉션 방식
- 시각정보 디자인 7원칙, UX [User Experience] 설계 방법론
- 시각화 기획, 모델링, 디자인 결과물 분석 방법론
|
|
분석용 데이터 구축
|
데이터 정제하기
|
- 데이터 정제 절차, 필요 데이터 식별, 데이터 분포
- 레거시 시스템, 데이터베이스 구축 방법론, 메타데이터
|
|
데이터 변환 적재하기
|
- 정형, 비정형, 반정형 데이터의 변환 및 적재
- 데이터 변환 및 적재에 대한 방법론
- ETL(Extract Transformation Load)
- ETT(Extract Transformation Transfer)
- 비정형데이터의 정형데이터 변환 방법
- 반정형데이터의 정형데이터 변환 방법
- 메타데이터, 데이터 데이블 정의서 및 데이터 맵핑정의서
|
|
데이터 검증하기
|
- 데이터 사전 구조, 데이터 검증 절차에 대한 방법론
- 개인정보보호 등의 데이터관련 법규정
- 데이터의 품질 유형 적용, 데이터 정합성 점검 방법
|
|
탐색적 데이터 분석
|
기본통계 확인하기
|
- 기술통계법, 데이터 분석 대상 업무 영역
- 데이터 마이닝 목적, 표본 추출 기법, 자료 측정 방법
|
|
데이터 분포 분석하기
|
- 분석 모형 설계 기법, 분석 모형 조정 기법,
- 분석 모형 검증 기법, 분석 모형 및 데이터 최적화
- 분석 모형 테스트 환경 구축, 분석 모형 테스트 절차 설계
- 분석 모형 테스트 수행 및 결과 분석
- 통계학, 데이터 분석 대상 업무 영역, 데이터 마이닝 목적
|
|
변수간 관계 확인하기
|
- 분석 모형 설계 기법, 분석 모형 조정 기법,
- 분석 모형 검증 기법, 분석 모형 및 데이터 최적화
- 분석 모형 테스트 환경 구축, 분석 모형 테스트 절차 설계
- 분석 모형 테스트 수행 및 결과 분석
- 통계학, 데이터 분석 대상 업무 영역, 데이터 마이닝 목적
|
|
빅데이터 분석
|
텍스트 데이터 분석
|
텍스트 데이터 변환하기
|
- 텍스트 문장의 형태소 분석, 문장의 문법과 언어적 문맥
- 필요한 단어를 추출해 낼 수 있는 텍스트 처리 방법
- 문장 의미 분석, 자연어 처리 이론
- 단어 빈도 집계 및 연관성 분석
|
|
텍스트 데이터 분석 수행방법 계획하기
|
- 조직의 전략 방향 및 비즈니스 목표
- 현업 업무 및 수행 프로세스, 텍스트 마이닝 기법
- 해당 언어에 대한 문법 및 문장구조
|
|
텍스트 데이터 분류 결과 분석하기
|
- 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 분류 및 예측 위한 머신러닝 기법
- 워드 클라우드 및 문서 클러스터링 기법
- 최신 분석 기법 발전 트렌드와 연구 동향
- 최신 텍스트 처리 기법 발전 트렌드와 연구 동향
|
|
정형 데이터 결합 분석 수행하기
|
- 현업 업무 및 수행 프로세스,
- 프로세스 및 조직 업무 처리 방식
- 통계학 및 머신러닝 기반의 분석 모델링
- 모델 정확도 및 예측력을 향상시키기 위한 파라미터 조절
- 조직내 IT 인프라 및 시스템, 데이터 시각화 및 인포그래픽스
|
|
머신러닝기반
데이터 분석
|
머신러닝 수행방법 계획하기
|
- 해당 산업분야, 조직의 전략 방향
- 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 머신러닝 기법의 목표, 비즈니스 목표
|
|
데이터셋 분할하기
|
- 과적합과 모델 설명력, 표본 샘플링에 대한 통계방법
- 분석 목적과 데이터셋 특성별로 적합한 분할 k 값
- 교차검증 방법론, 모델 평가 메트릭
- 머신러닝 기법별 적합한 데이터 분할 기준
|
|
지도학습 모델 적용하기
|
- 현업 업무 및 수행 프로세스, 통계학 기반 분석방법론
- 선형대수 및 미적분, 최적화 등의 수학이론
- 분류 모델을 위한 지도학습 머신러닝 기법
- 예측 모델을 위한 지도학습 머신러닝 기법
- 최신 머신러닝 기법 발전 트렌드와 연구 동향
|
|
자율학습 모델 적용하기
|
- 현업 업무 및 수행 프로세스, 통계학 기반의 분석방법론
- 군집화 위한 머신러닝 기법, 차원 축소 관련 수학적 기법
- 연관성 및 패턴화 관련 머신러닝 기법
- 최신 머신러닝 기법 발전 트렌드와 연구 동향
|
|
모델 성능 평가하기
|
- 현업 업무 및 수행 프로세스
- 예측값과 실제값 비교를 위한 혼돈 매트릭스 표
- 참 긍정, 참 부정, 거짓 긍정, 거짓 부정 분류
- 머신러닝 모델 평가 지표
- 모델 정확도 및 예측력을 향상시키기 위한 모델 파라미터 조절
- 모델 성능 검증 위한 데이터셋 분할 및 부트스트래핑 등의 샘플링 기법
|
|
학습결과 적용하기
|
- 해당 산업분야, 조직의 전략 방향, 현업 업무 및 수행 프로세스
- 프로세스 및 조직 업무 처리 방식,
- 조직내 IT 인프라 및 시스템
|
|
통계기반 데이터 분석
|
가설 설정하기
|
- 분석 모델의 예측력(Accuracy),분석 모델의 안정성(Robustness)
- 분석 모델의 호율성(Efficency),
- 추측통계법, 통계처리 결과에 대한 해석
|
|
통계 모델 개발하기
|
- 각 분석기법에 대한 통계학 이론
- 분석결과에 대한 통계적 해석 및 업무적용, 빅데이터 분석방법론
- 분석대상 데이터의 구조 및 비즈니스적 의미
- 분산병렬처리, 하둡 에코시스템
|
|
통계 모델 평가 검증하기
|
- 빅데이터 분석 및 평가방법론
- 모델의 예측력, 모델의 안정성, 모델의 효율성
- 통계학, 품질관리, 품질보증
|
|
빅데이터 운영
|
빅데이터 처리 운영
|
빅데이터 처리 환경 파악하기
|
- 비즈니스 도메인 지식, 빅데이터 처리 대상 데이터 속성
- 빅데이터 처리 솔루션 사용방법, 빅데이터 처리 적용 프로세스
- 빅데이터 처리 검증 방법
|
|
빅데이터 처리 대응하기
|
- 실시간 데이터 소스의 특성,분산 데이터 처리 플랫폼의 원리
- 분산 클러스트링 플랫폼의 원리
- 인메모리(In-Memory) 컴퓨팅의 원리
- 이벤트 기반 아키텍처(Event-Driven Architecture) 개념
|
|
빅데이터 시스템 개발
|
빅데이터
분석시스템 개발
|
빅데이터
분석시스템 설계하기
|
- 빅데이터 분석 방법, 빅데이터 시각화 기법
- 빅데이터 분석 도구 및 시각화 도구
- 정보시스템 구축 방법론, 설계서 작성요령
- 빅데이터 분석 프로세스 이해, 데이터 분석 알고리즘 이해
|
|
빅데이터
분석시스템 구성하기
|
- 빅데이터 분석 방법, 빅데이터 시각화 기법
- 정보시스템 구축 방법론, 빅데이터 분석 프로세스 이해
|
|
빅데이터
분석모듈 개발하기
|
- 빅데이터 분석 방법, 빅데이터 시각화 기법
- 정보시스템 구축 방법론,
- 빅데이터 분석 프로세스 이해, 분석모델 이해
|
|
빅데이터
처리시스템 개발
|
빅데이터
처리시스템 설계하기
|
- 데이터 특성 및 규모에 따른 처리 방식 설계 기법
- 데이터의 서비스 특성에 따른 처리 모듈 구성 방식
- 분산 데이터 저장 구조, 분산 데이터 처리 기법
- 빅데이터 처리시스템 검증 기법
|
|
빅데이터
처리시스템 구성하기
|
- 분산 데이터 저장 구조, 분산 데이터 처리 기법
- 데이터웨어하우스 데이터 처리 기법
- 정형, 준정형, 비정형 데이터 처리 기법
- 하드웨어와 운영체제 등 플랫폼
|
|
분산처리 수행모듈 개발하기
|
- 분산 데이터 저장 구조, 분산 데이터 처리 기법
- 정형, 준정형, 비정형 데이터 처리 기법
- 정보시스템 구축 방법론, 정보시스템 개발 생명주기
|
|
실시간 수행모듈 개발하기
|
- 실시간 처리 대상 선정 방식,
- 실시간 트랜잭션 데이터 처리 기법
- 인 메모리 컴퓨팅 기법, 정보시스템 구축 방법론
- 정보시스템 개발 생명주기
|
|
이벤트처리 수행모듈 개발하기
|
- 이벤트 감지 및 처리 기법, 스트림 데이터 처리 기법
- 인 메모리 컴퓨팅 기법, 정보시스템 구축 방법론
- 정보시스템 개발 생명주기
|
|
빅데이터
저장시스템 개발
|
빅데이터
저장모델 설계하기
|
- 데이터 특성 및 규모에 따른 저장 방식 설계 기법
- 데이터의 서비스 특성에 따른 데이터베이스 구성 방식
- 사용자의 권한에 따라 접근제어 방법
- 개인정보보호법 적용기준, 관계형 데이터 모델링 기법
- 데이터웨어하우스 설계 기법, NoSQL 설계 기법
|
|
빅데이터
저장관리시스템 구성하기
|
- 관계형 데이터 저장관리 기법, 데이터웨어하우스 저장관리 기법
- 정형, 준정형, 비정형 데이터 저장관리 기법
- NoSQL 설치 및 설정 절차, 하드웨어와 운영체제 등 플랫폼
|
|
빅데이터
적재모듈 개발하기
|
- 데이터 저장모델의 이해
- 데이터웨어하우스 저장 기법, 관계형 데이터베이스 저장 기법
- NoSQL을 활용한 비정형 데이터 저장 기법
- 분산저장시스템 저장 기법, 하드웨어와 운영체제 등 플랫폼
|
|
빅데이터
수집시스템 개발
|
빅데이터
수집시스템 설계하기
|
- 관계형 데이터 모델링 방법, 데이터웨어하우스 설계 방법
- NoSQL 활용 방법, 정형, 준정형, 비정형 데이터 수집 방법
|
|
빅데이터
수집시스템 구성하기
|
- 관계형 데이터 모델링 방법, 데이터웨어하우스 설계 방법
- NoSQL 활용 방법, 정형, 준정형, 비정형 데이터 수집 방법
|
|
빅데이터
수집·변환 모듈 개발하기
|
- 관계형데이터 수집·변환 관리 기법
- 데이터웨어하우스 수집·변환관리 기법
- 정형, 준정형, 비정형 데이터 수집·변환관리 기법
- 웹서버 사용법 및 설정파일, 로그관련 지식
- 하드웨어와 운영체제 등 플랫폼에 대한 지식
|
|
수집 데이터
검증모듈 개발하기
|
- 데이터 유효성 검증 방법
- 정보시스템 구축방법론, 정보시스템 개발생명주기
|
|
객체지향 언어
|
프로그래밍 언어활용
|
자바의 기본 문법
|
- 식별자, 자료형, 연산자, 제어문, 배열 등을 통한 자바 기본 알고리즘과 로직을 학습
|
|
클래스와 객체
|
- 객체지향 개념 이해, 클래스 설계, 상속, 자바 메모리 구조- 내무 클래스 활용
|
|
자바의 클래스들
|
- 패키지와 예외처리, 래퍼클래스, 제너릭과 컬렉션- utill 패키지 클래스 및 쓰래드의 기본 문법, 동기화
|
|
I/O 및 네트워크 프로그래밍
|
- 자바 InputStram, OutputStram 객체기반의 바이트 스트림과 문자 스트림 학습- ObjectStream을 사용한 직렬화와 역직렬화 처리방법
|
|
C/S 프로그래밍
|
- TCP/IP의 개념 서버, 클라이언트의 소켓 프로그래밍 학습
|
|
GUI Programming
|
- 이벤트와 레이아웃 처리, Swing의 클래스, 그래픽 클래스 학습
|
|
JSP&Servlet
|
데이터 입출력 구현
|
Servlet
|
- 서블릿 특징, 서블릿 라이프 사이클- 폼전송방식(POST, GET) 서블릿 컨테이너의 아키텍쳐 분석 및 활용 - Redirct와 Forward의 차이점 분석 및 적용 WAS의 Connection Pool 이해와 적용
|
|
JSP
|
- JSP페이지 구성요소, JSP의 내장객체, EL/JS시, 파일업로드- MODEL1 개발 및 유지보수 환경분석
|
|
서버프로그램 구현
|
MVC 구현
|
- MVC 패턴에 대한 이해와 최적화된 Model2의 구조설계- Model2 구조를 이용한 MVC 패턴 구현 및 개발
|
|
프레임워크
|
인터페이스 구현
|
Spring Ioc/DI
|
- 스프링 컨테이너의 개념, 환경설정, IOC 컨테이너의 구조분석- 스프링 모듈간의 의존성 분석, 객체간의 의존성과 DI 문법, 이노테이션과 자동와이어링
|
|
Spring AOP
|
- 관점지향적인 프로그래밍 분석 및 설계, AOP 문법 및
실무중심의 보안처리 - 로깅 처리 방법을 학습
|
|
통합 구현
|
Spring MVC
|
- Spring MVC에서의 환경설정과 아키텍쳐 분석 /
Controller와 ModelAndView에 대한 처리- ViewResolver 클래스에 대한 처리기법 / Spring MVC
기반의 데이터 처리
|
|
Spring ORM
|
- Spring에서의 MyBatis와의 연동 처리- Spring MVC에서의 MyBatis 연동으로 CRUD 프로그래밍 학습
|
|
데이터베이스
|
SQL활용
|
DBMS의 개요
|
- DBMS의 개요, 종류, Oracle 10g
|
|
SQL
|
- SQL이란, DML/D이, 조인, 서브쿼리사용 및 뷰와 인덱스 처리
|
|
데이터베이스 구현
|
PL/SQL
|
- PL/SQL문법, 커서의정의, 프로시져, 함수를 사용한 처리, 크리거
|
|
DB 모델링
|
- DB 모델링 개념, 정규화, DB 모델링
|
|
웹표준
|
웹표준
|
HTML5
|
- HTML5개요, 텍스트관련태그, 링크태크
- 이미지 멀티미디어 사용, 입력양식태그
|
|
CSS3
|
- CSS개요, CSS의 우선순위,선택자,속성에 대한 이해
- 스타일제어, 레이아웃 및 박스모델 제어
|
|
Javascript
|
- 자바스크립트기초문법
- 자바스크립트객체와 함수, 자바스크립트 이벤트
|
|
JQuery
|
- jQuery 문서객체와 선택자
- jQuery 이벤트, jQuery Ajax
|
|
1차
데이터 분석
팀 프로젝트
|
1차
데이터 분석
팀 프로젝트
|
프로젝트 기획
|
- 주제 선정, 요구분석
- 분석 결과 서비스 개발 계획, 프로젝트 일정계획
|
|
데이터 수집 및 저장
|
- 정형 데이터 수집 및 저장, 블로그 데이터 수집 및 저장
- 포털 API를 활용한 데이터 수집 및 저장
- SNS API를 활용한 데이터 수집 및 저장
- 정부 3.0 공공데이터 포털 API를 활용한 데이터 수집 및 저장
|
|
데이터 탐색 및 분석
|
- 데이터 셋 분류 및 생성, 데이터 모델 설계 및 구현
- 절차적 통계 분석, 탐색적 데이터 분석,
- 텍스트 마이닝 및 형태소 분석
|
|
서비스 개발 및 시각화
|
- 서비스 개발 환경 구축
- 서비스 프로세스 정의, 사용자인터페이스 정의
- JSP/Servlet Back-End 개발, Front-End 개발 및 시각화
|
|
테스트 및 발표
|
- 단위 테스트, 통합 테스트 및 디버깅, 프로젝트 발표
|
|
2차
머신러닝
팀프로젝트
|
2차
머신러닝
팀프로젝트
|
프로젝트 기획
|
- 주제 선정, 요구분석
- 서비스 개발 계획, 프로젝트 일정계획
|
|
데이터 수집
및 정재
|
- 정형 데이터 수집 및 저장, 비정형 데이터 수집 및 저장
- 데이터 셋 분류 및 생성,
- 분석 목적에 따른 데이터 정재 및 변환
|
|
예측 모델링
|
- 분류, 회귀 모델 평가, 감성분석 분류모델
- TensorFlow 활용 딥 러닝, 모델 학습
|
|
서비스 개발
|
- 서비스 개발 환경 구축, 서비스 프로세스 정의
- 사용자인터페이스 정의, Framework Back-End 개발
- Front-End 개발
|
|
테스트 및 발표
|
- 단위 테스트, 통합 테스트 및 디버깅, 프로젝트 발표
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
