시계열 데이터 분석 및 머신러닝 예측 모델링 (ARIMA & Prophet)
강좌 소개
시간의 흐름에 따라 순차적으로 기록되는 시계열(Time Series) 데이터의 고유한 특성을 파악하고, 미래 시점의 값을 높은 정확도로 예측하는 전문 실무 과정입니다.
정상성(Stationarity), 자기상관(ACF/PACF), 계절성 분해를 학습한 뒤, 통계적 시계열 모델인 ARIMA/SARIMA와 메타(페이스북)가 개발한 Prophet 라이브러리, 그리고 머신러닝 회귀 모델을 결합하여 실전 매출 및 수요 예측 시스템을 개발합니다.
이 강좌에서 배우는 것들
- 시계열 데이터의 3대 구성요소(추세, 계절성, 잔차) 분해 기법
- ADF 단위근 검정을 통한 정상성 판정 및 차분(Differencing) 실무
- ARIMA, SARIMA 파라미터(p, d, q) 튜닝 및 진단
- Facebook Prophet을 활용한 휴일 효과 반영 및 미래 수요 예측 프로젝트
교육 과정 (Curriculum)
Section 1: 시계열 데이터의 기초와 탐색적 분석
- 시계열 데이터의 정의와 일반 정형 데이터와의 차이점
- 이동평균(Rolling Mean)과 계절성 분해(Seasonal Decomposition)
- 정상성(Stationarity) 개념과 ADF(Augmented Dickey-Fuller) 검정
Section 2: 전통적 통계 모델링 (ARIMA & SARIMA)
- 자기회귀(AR)와 이동평균(MA) 모델의 원리와 결합
- ACF 및 PACF 그래프를 활용한 p, q 차수 결정법
- 계절성 ARIMA(SARIMAX) 모델링과 외생 변수(Exogenous) 적용
Section 3: Prophet과 머신러닝 기반 예측 실전
- Meta Prophet의 작동 원리와 직관적인 파라미터 제어
- 명절, 프로모션 등 비정형 이벤트 효과 반영 기법
- 소매점 일별 매출 예측 벤치마킹 및 교차 검증 평가 프로젝트
필수 조건
- 파이썬 기초 및 Pandas 데이터 조작 경험
수강 대상
- 제품 수요 예측, 매출 예측, 재고 관리를 담당하는 데이터 분석가
- 금융 시계열이나 센서 데이터를 다루는 엔지니어
- 시간 축이 중요한 비즈니스 의사결정 모델을 구축하려는 실무자