수자원시스템을 위한 인공지능
- 충북대학교
- 이의훈
페이스북
트위터
카카오톡
네이버밴드
링크복사
-
- 주제분류
- 공학 >토목ㆍ도시 >토목공학
-
- 강의학기
- 2026년 2학기
-
- 조회수
- 530
-
- 강의계획서
- 강의계획서
시계열 데이터 예측 이론을 학습한다. 다양한 머신러닝 및 설명가능한 인공지능에 대한 이론을 학습한다. 파이썬 기본 문법과 주요 라이브러리부터 시작해 시계열 데이터 전처리, ARIMA·SARIMA·Prophet·지수평활·벡터자기회귀 등 시계열 예측 모형과 Gradient Boosting·XGBoost·Random Forest·서포트 벡터 머신 등 머신러닝 모형을 다루고, LIME·SHAP을 비롯한 설명가능한 인공지능(XAI) 기법으로 마무리한다. 전 과정에서 파이썬 실습을 병행한다.
차시별 강의
| 1. | |
수업소개 | 1. 강의 목표와 평가 방법 안내 2. 주차별 강의 내용 개관: 파이썬 기초, 시계열 예측, 머신러닝, 설명가능한 인공지능 3. 중간고사·기말고사 대체 레포트 과제 안내 (청주시 인구 예측) |  |
| 2. | |
Python 기본 | 1. 파이썬의 특징: 인터프리터 언어, 들여쓰기, 멀티 패러다임 2. 변수와 대입문, 변수 이름 규칙 3. 자료형: 숫자형(정수·실수·16진법), 문자열, Boolean, 튜플, 딕셔너리, 리스트, 집합 4. 제어문: if 문, while 문, for 문과 중첩 반복문 5. 내장 함수와 함수 선언 | |
| 3. | |
라이브러리 | 1. 라이브러리의 개념과 import 방법 2. random: 난수 생성 3. NumPy: 배열 생성과 연산, 브로드캐스팅 4. pandas: Series와 DataFrame, 데이터 입출력과 인덱싱 5. matplotlib: 기본 그래프 작성과 서식 지정 | |
| 4. | |
시계열 데이터 및 데이터 전처리 | 1. 시계열 데이터의 특징: 정상성, 계절성, 비선형성 2. 결측치와 이상치 처리, 정규화와 표준화 3. 파일 입출력: open 함수와 파일 모드, 문자열 서식 지정 4. 시계열 데이터의 리샘플링과 차분 | |
| 5. | |
사이킷런 | 1. 사이킷런(scikit-learn)의 구성과 특징 2. 라이브러리 import와 학습·테스트 데이터 준비 3. 알고리즘 지정과 학습 실행 4. 테스트 데이터에 대한 예측과 성능 평가 | |
| 6. | |
ARIMA 및 SARIMA | 1. 시계열 분석의 기본 개념: 자기회귀(AR)와 이동평균(MA) 2. ARIMA 모형의 구조와 차수 (p, d, q) 결정 3. ACF와 PACF를 이용한 차수 식별 4. 계절성을 고려한 SARIMA 모형 5. statsmodels를 이용한 모형 적합과 예측 실습 | |
| 7. | |
Prophet 알고리즘 | 1. Prophet의 개발 배경과 특징: 비전문가도 사용 가능한 설계 2. 추세, 계절성, 공휴일 효과의 자동 처리 3. additive 모형과 multiplicative 모형 4. 여러 계절성(연간·주간)의 동시 모델링 5. Prophet을 이용한 예측 실습 | |
| 9. | |
Gradient Boosting 및 XGBoost | 1. 그래디언트 부스팅의 개념: 약한 학습기의 결합 2. 순차적 학습과 이전 모형의 오류 보완 3. 하이퍼파라미터와 과적합 방지 4. XGBoost의 특징과 성능상 이점 5. 파이썬을 이용한 예측 실습 | |
| 10. | |
Random Forest | 1. 의사결정나무(Decision Tree)의 구조와 분류·회귀 적용 2. 트리 구조에 의한 데이터의 반복적 분할 3. 랜덤 포레스트의 개념: 다수 트리의 앙상블 4. 변수 중요도와 과적합 완화 5. 파이썬을 이용한 예측 실습 | |
| 11. | |
Support Vector Machine | 1. 서포트 벡터 머신의 개념과 결정 경계 2. 마진 최대화와 서포트 벡터 3. 커널 기법: 선형, 다항, RBF 커널 4. 데이터 정규화(StandardScaler)의 필요성 5. SVR을 이용한 회귀 예측 실습 | |
| 12. | |
Exponential Smoothing 및 Vector AutoRegression | 1. 지수평활(ES)의 개념: 최근 데이터에 큰 가중치 2. 평활계수 alpha의 의미와 선택 3. 단순지수평활과 Holt-Winters 모형 4. 벡터자기회귀(VAR): 다변량 시계열의 상호 영향 모델링 5. statsmodels를 이용한 실습 | |
| 13. | |
설명 가능한 인공지능 1 | 1. 인공지능과 설명가능한 인공지능의 차이: Black Box와 White Box 2. 설명가능성이 요구되는 배경과 응용 분야 3. 모형 내재적 해석과 사후 해석(post-hoc)의 구분 4. 전역적 설명과 국소적 설명 5. LIME의 원리와 실습 | |
| 14. | |
설명 가능한 인공지능 2 | 1. 예측 정확도와 해석가능성의 트레이드오프 2. SHAP(SHapley Additive exPlanation)의 이론적 배경: Shapley 값 3. SHAP 값 계산과 summary plot 해석 4. 변수별 기여도 분석과 모형 진단 5. XGBoost 모형에 대한 SHAP 적용 실습 | |
연관 자료
