결제 취소나 환불은 어떻게 하나요?

결제 취소 및 환불이 필요하신 경우, 고객센터를 통해서 요청해주시기 바랍니다결제 취소 및 환불 내역은 ‘마이페이지 > 거래내역’에서 확인이 가능합니다. 환불 신청 절차 안내 1. 고객센터(help@fastcampus.co.kr)로 수강생 정보(성함 및 아이디), 강의명을 기재하시어 이메일로 환불 접수를 해주세요.2. 결제 수단에 맞춰 환불이 진행되며, 계좌 입금으로 결제하신 경우에는 환불받으실 계좌도 함께 기재해주시기 바랍니다.3. 이메일로 환불을 요청하신 경우, 카드/가상계좌/이니계좌 환불은 메일 답변 후 바로 취소 처리되며 결제사를 통해 실 환불이 진행되기 때문에 환불완료까지는 최대 3~7일 정도 소요될 수 있습니다.4. 무통장 결제건은 목요일까지 환불계좌정보와 함께 help@fastcampus.co.kr 로 환불 접수해주셨을 경우 다음 주 수~목요일 사이쯤 입금될 예정이오니 참고하셔서 추후 확인해 주시기 바랍니다.

현금영수증은 어디에서 발급 요청이 가능한가요?

현금영수증은 온라인 결제 시스템을 통해 결제를 진행하실 때, 해당 결제 시스템을 통해 신청이 가능하며 소득공제용(개인), 지출증빙용(사업자) 중 선택하실 수 있습니다.무통장 입금[우리 1005-902-393657 ㈜패스트캠퍼스)]으로 입금을 해주신 경우에는 고객센터(help@fastcampus.co.kr) 이메일 주소로 현금영수증 혹은 지출증빙 영수증을 발급하실 정보(핸드폰 번호 혹은 사업자번호)를 기재하여 따로 요청해주시기 바랍니다.

회사 비용으로 처리하기 위해 전자세금계산서를 발급받고 싶습니다.

전자세금계산서 발급을 원하실 경우, 무통장입금 방식으로 결제를 해주셔야 하며 입금하실 전용 계좌번호는 다음과 같습니다.패스트캠퍼스는 면세 사업자로 수강료에 별도의 부가세가 부과되지 않습니다. 수강료 입금 계좌 우리은행 1005-902-393657 패스트캠퍼스㈜전자세금계산서를 발급하실 귀사의 사업자등록증을 파일로 첨부하시어 고객센터 이메일 주소로 전자세금계산서 발행을 요청해주시기 바랍니다. 입금 시, 수강생명 혹은 계산서를 발급하신 회사명과 상이한 정보로 입금하시면 꼭 알려주시기 바랍니다. 상세 안내 1) 수강료 입금 후 발행을 원하실 경우전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명/교육과정명 / 아이디(계정정보) / 전자계산서를 발급 받을 담당자 이메일 주소 '를 기재하여 고객센터(help@fastcampus.co.kr)로 요청해주세요.2) 수강료 입금 전 청구 발행 요청 시수강하고자 하는 과정의 '수강신청서 제출 '을 먼저 완료 해 주신 후, 전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명 / 교육과정명 / 아이디(계정정보) / 입금액(수강료) / 입금예정일자 / 전자계산서를 발급 받을 담당자 이메일 주소 '를 상세 기재하여 고객센터(help@fastcampus.co.kr)로 요청해 주시면 입금하실 전용 계좌정보를 안내드립니다. 얼리버드 할인의 경우 결제일자 기준으로 적용됩니다.따라서 전자세금계산서만 발급하시고 입금완료가 되지 않을 경우 수강료는 추후 상향조정될 수 있는 점 참고하시어 할인 마감일을 지켜주시기 바랍니다.

수강신청확인서 및 수료증은 어디에서 발급 요청이 가능한가요?

수강신청확인증은 수강료 결제가 완료된 경우, 수강신청을 증빙하기 위해 발급해드리는 증빙 서류이며수료증명서는 강의를 완강하신 경우에 강의 수료를 증빙하기 위해 발급해드리는 증빙 서류입니다. 수료증명서 발급 기준 안내 1) 오프라인 강의의 경우 : 강의를 완강하신 경우 발급2) 온라인 강의의 경우 : 80% 이상 수강하신 경우에 발급위 증빙 서류 발급을 희망하실 경우 저희 고객센터(help@fastcampus.co.kr) 이메일 주소로 아이디/수강생명 / 과정명을 기재하여 발급을 요청해주시면 PDF 파일을 첨부하여 메일로 안내해드리고 있습니다.

퀴즈처럼 풀면서 배우는 파이썬 머신러닝 300제+ 연습문제 패키지 Online.

⏰5월 31일까지만 ⏰ 가격인상까지 남은 시간

0일 0시간 0분 0초 2022-05-31T23:59

수학을 방정식만 외운다고 잘할 수 없듯이,
머신러닝도 이론만 배워서는 아무것도 할 수 없습니다.

단언컨대, 머신러닝 이론 강의만 들어서는
데이터 분석은커녕 가설도 세울 수 없을 겁니다.

데이터 분석으로 무슨 문제를 해결할지
정해지지 않았으니 당연히 답도 나오지 않겠죠.

제대로 된 머신러닝을 배우고 싶다면,
내 손으로 직접 파이썬 문제를 풀어봐야 합니다.

실무에서 하루에 마주하는 문제만 수십 개!
문제 한두 개로는 머신러닝 마스터, 아무래도 어렵죠.

타 강의에서는 절대 만나볼 수 없는 숫자!
300개 이상의 파이썬 문제를 준비했습니다.

여러 산업의 다양한 파이썬 문제를 풀어보고,
직접 머신러닝 모델을 구현해보세요.

가설부터 제대로 세울 수 있는
데이터 사이언티스트로 거듭날 수 있을 거예요.

코드는 이렇게 직접 쳐볼 수 있습니다.
꼭 알아야 하는 것들만 모아 파이썬 문제로 만들었어요!

데이터 불러오기부터 모델 구현까지.
머신러닝에서 만날 수 있는 모든 파이썬 문제를 경험해보세요!

실습-해설-복습

이 3단계만 기억한다면,
강의는 쉽게 따라올 수 있을 거예요.

문제를 어떻게 풀지 고민해보고,
해설 강의를 들으며 따라한 뒤
실제 코드를 혼자 실행해보세요!

🙋🏻‍♀ 딥러닝에도 관심이 있다면 주목하세요!

강의 보러 가기 »

⏰5월 31일까지만 ⏰ 가격인상까지 남은 시간

0일 0시간 0분 0초 2022-05-31T23:59

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

5월 마지막 최저가로 구매

단순히 많은 문제만 풀어보는 강의가 아니에요.

머신러닝을 완벽히 이해하기 위해 준비한
파이썬 머신러닝 300제+만의
특별한 강의 혜택을 만나보세요!

Check Point 1

머신러닝 실전 파이썬 문제 300개!
모델 구현까지 마주하는 모든 문제를 모았습니다.

실무에서는 데이터를 불러오는 것부터 문제로 분류됩니다.
머신러닝 프로세스의 처음부터 끝까지
어떤 문제를 마주하더라도 헤매지 않게 도와드릴게요!

Check Point 2

파이썬 라이브러리 완전 정복!
쓸 수 있는 라이브러리는 다- 써볼 거예요.

전처리에 쓰는 라이브러리가 있고,
시각화에 필요한 라이브러리가 또 따로 있죠.
문제 해결에 필요한 모든 라이브러리를 알려드릴게요.

Check Point 3

머신러닝 필수 산업 총집합!
다양한 분야의 머신러닝 파이썬 문제를 풀어보세요.

어떤 분야의 머신러닝 문제라도 풀 수 있도록
여러 산업군에 있는 다양한 주제의 문제를 준비했어요!

그래서 어떤 데이터냐구요?

미국 대선 데이터
시간에 따른 코로나 확산 추이 데이터
유럽 축구 승률 예측을 위한 선수 배치 데이터
심혈관 질환 예측 데이터
에어비앤비 지역과 집값 상관관계 데이터
금융데이터 모델 학습 시간에 따른 정확도 지표
에어비앤비 소비자 활성 키워드 추출

강의에서 더 많은 데이터를 만날 수 있어요!
20개 이상의 데이터를 직접 만져보며
나만의 파이썬 문제 해결 방법을 찾아보세요.

Check Point 4

20개 이상 머신러닝 모델 구현!
경험치 쌓이는 속도가 달라집니다.

하나 제대로 구현하기도 힘든 머신러닝 모델,
300개 이상의 다양한 파이썬 문제를 풀고 나면
수많은 머신러닝 모델 구현 경험이 생길 거예요!

🙋🏻‍♀ 딥러닝에도 관심이 있다면 주목하세요!

강의 보러 가기 »

⏰5월 31일까지만 ⏰ 가격인상까지 남은 시간

0일 0시간 0분 0초 2022-05-31T23:59

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

5월 마지막 최저가로 구매

커리큘럼.

아래의 모든 강의를 올인원 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!
(💻이 강의는 100% 실습으로 이루어져 있어요! 파이썬 머신러닝 강의, 책 한 번이라도 본 사람만 들어주세요.)
* 본 강의는 Google Colaboratory와 Kaggle을 사용합니다. 원활한 실습을 위해 Intro. 강의소개 및 개요를 꼭 먼저 학습해주세요.

💻 Intro. 강의소개 및 개요

Ch1. 학습 플랫폼 및 라이브러리 소개

- Google Colaboratory 소개
- 운영체제의 이해 (Linux Ubuntu)
- Colab에 설치된 Python과 라이브러리 소개
- Numpy 라이브러리 소개
- Pandas 라이브러리 소개
- Matplotlib 라이브러리 소개
- Seaborn 라이브러리 소개
- Plotly 라이브러리 소개

Ch2. 캐글과 데이터셋 소개

- Kaggle 소개
- Kaggle API
- 데이터셋의 목적과 활용
- 데이터의 종류

Ch3. 데이터의 분석과 모델의 학습

- 데이터 사이언스 소개
- 데이터의 분석
- 인공지능 vs. 머신러닝 vs. 딥러닝

Ch4. 문제 풀이 가이드

- Colab 문제 파일 열기
- Colab 문제 파일 살펴보기
- Colab에서 GPU 할당받기
- 문제 풀이하기
- 정답 확인하고 틀린 부분 수정하기

💻 Part 1. 머신러닝 분류 모형

Ch1. 데이터 분석으로 심부전증을 예방할 수 있을까?

- 의료 데이터셋에 대하여
- 문제 01~03 : 데이터셋 준비하기
- 문제 04~06 : EDA 및 데이터 기초 통계 분석
- 문제 07~08 : 모델 학습을 위한 데이터 전처리
- 문제 09~13 : Classification 모델 학습하기
- 문제 14~15 : 모델 학습 결과 심화 분석하기

Ch2. 우리 애는 머리는 좋은데, 공부를 안해서 그래요 - 데이터로 살펴보는 우리 아이 학습 성공/실패 요소

- 연구용 데이터에 관하여
- 문제 01~03 : 데이터셋 준비하기 - 문제 01~03
- 문제 04~05 : EDA 및 데이터 기초 통계 분석
- 문제 06~07 : EDA 및 데이터 기초 통계 분석
- 문제 08~09 :모델 학습을 위한 데이터 전처리
- 문제 10~13 : Classification 모델 학습하기
- 문제 14~15 : 모델 학습 결과 심화 분석하기

Ch3. 롤 좀 하니? '이것'만 하면 무조건 이긴다! - 데이터로 알아보는 리그 오브 레전드의 승리 공식

- 리브 오브 레전드 데이터셋
- 문제 01~03 : 데이터셋 준비하기
- 문제 04~06 : EDA 및 데이터 기초 통계 분석
- 문제 07~08 : 모델 학습을 위한 데이터 전처리
- 문제 09~12 : Classification 모델 학습하기
- 문제 13~14 : 모델 학습 결과 심화 분석하기

Ch4. 오늘 밤 유럽 축구, 어디가 이길까? 데이터로 분석하고 내기를 이겨보자!

- 데이터베이스와 SQL
- 문제 01~03 : 데이터셋 준비하기
- 문제 04 : EDA 및 데이터 기초 통계 분석
- 문제 05 : EDA 및 데이터 기초 통계 분석
- 문제 06~08 : EDA 및 데이터 기초 통계 분석
- 문제 09~11 : 모델 학습을 위한 데이터 전처리
- 문제 12~15 : Classification 모델 학습하기
- 문제 16~17 : 모델 학습 결과 심화 분석하기
- 문제 18~19 : 모델 성능 개선하기

Ch5. 미국의 대통령은 어떻게 뽑힐까?

- 데이터에 관한 사전 배경 지식
- 문제 01~03 : 데이터셋 준비하기
- 문제 04 : EDA 및 데이터 구조 변경하기
- 문제 05~06 : EDA 및 데이터 구조 변경하기
- 문제 07~08 : EDA 및 데이터 구조 변경하기
- 문제 09~10 : Plotly를 이용하여 데이터 시각화하기
- 문제 11~14 : 모델 학습을 위한 데이터 전처리
- 문제 15~16 : Regression 모델 학습하기
- 문제 17~19 : Classifier 모델 학습하기

💻 Part 2. 머신러닝 회귀 모형

Ch1. 자동으로 모은 데이터는 분석하기 어렵다면서? 자동으로 모은 중고 자동차 데이터를 분석해보자!

- 데이터 스크래핑에 대하여
- 문제 01~03 : 데이터셋 준비하기
- 문제 04~06 : EDA 및 데이터 기초 통계 분석
- 문제 07~11 : 데이터 클리닝 수행하기
- 문제 12~13 : 모델 학습을 위한 데이터 전처리
- 문제 14~15 : Regression 모델 학습하기
- 문제 16~17 : 모델 학습 결과 심화 분석하기

Ch2. 뉴욕에서 방이 둘 딸린 집을 에어비엔비에 내놓으려 한다. 이 때 적당한 숙박료는 얼마일까?

- Regression에 대하여
- 문제 01~03 : 데이터셋 준비하기
- 문제 04~07 : EDA 및 데이터 기초 통계 분석
- 문제 08~10 : 데이터 클리닝 수행하기
- 문제 11~12 : 모델 학습을 위한 데이터 전처리
- 문제 13~14 : Regression 모델 학습하기
- 문제 15~16 : 모델 학습 결과 심화 분석하기

Ch3. 우리나라의 행복지수는 몇 위? 아니, 행복지수가 도대체 뭔데?

추후 공개 예정

Ch4. 새로 출시된 게임, 전문가 리뷰 믿고 바로 구매해도 될까요? 직접 데이터로 분석하고 판단해 보자!

추후 공개 예정

Ch5. 뉴스에서만 보던 코로나-19 데이터, 직접 분석하고 직접 판단해봅시다.

- 시계열 데이터에 관하여
- 문제 01~03 : 데이터셋 준비하기
- 문제 04~07 : 데이터 구조 변경 및 시각화하기
- 문제 08~10 : Plotly를 이용하여 데이터 시각화하기
- 문제 11~12 : 모델 학습을 위한 데이터 전처리
- 문제 13~16 : Prophet 모델 학습하기
- 문제 17~18 : IF-CASE 예측해보기

💻 Part 3. 머신러닝과 패턴인식

Ch1. 철판 제조 공정 데이터를 활용한 분류모형 생성 및 성능 비교

- 문제 01~04 : 데이터 준비 및 탐색적 데이터 분석
- 문제 05~07 : 로지스틱 분류 모형
- 문제 08~10 : 의사결정나무
- 문제 11~13 : Random Forest
- 문제 14~16 : 신경망 모형 (Artificial Neural Networks)
- 문제 17~22 : Boosting

Ch2. 다양한 패턴의 2차원 상의 점을 구분해 내는 방법

- 문제 01~02 : 패턴 데이터 생성
- 문제 03~04 : 전통적 clustering을 통한 접근
- 문제 05~06 : Principal Component를 활용한 접근
- 문제 07~08 : 비선형 패턴 구분하기
- 문제 09~10 : Kernel PCA
- 문제 11~12 : Spectral clustering

💻 Part 4. 머신러닝과 군집분석

Ch1. iris 데이터로 기본적인 군집분석(clustering) 원리와 분석 과정을 연습해보자

- 군집분석의 기본지식 및 학습목표 확인
- 문제 01~03 : 데이터 불러오기 & 전처리
- 문제 04~06 : Clustering : K-Means 알고리즘
- 문제 07~09 : Clustering : K-Means 알고리즘
- 문제 10~11 : Clustering : K-Means 알고리즘
- 문제 12~15 : Clustering : K-Means 알고리즘
- 문제 16 : Clustering : K-Means 알고리즘
- 문제 17 : Clustering : Agglomerative 알고리즘
- 문제 18~21 : Clustering : Agglomerative 알고리즘
- 문제 22~25 : Clustering : DBSCAN 알고리즘
- 문제 26~29 : Clustering : DBSCAN 알고리즘
- 문제 30~33 : Clustering : HDBSCAN 알고리즘
- 문제 34~37 : Clustering : HDBSCAN 알고리즘

Ch2. 이커머스 데이터를 활용하여 수요집단(고객) 군집분석을 적용해보자

- 플랫폼 서비스와 E-Commerce 영역의 데이터
- 문제 01~05 : E-Commerce 데이터 불러오기 & 전처리
- 문제 06~08 : Clustering : 고객(수요) 메타데이터를 이용한 군집화
- 문제 09~18 : Clustering : 고객(수요) 메타데이터를 이용한 군집화
- 문제 19~23 : Clustering : 고객(수요) 거래데이터를 이용한 군집화
- 문제 24~25 : Clustering : 고객(수요) 거래데이터를 이용한 군집화
- 문제 26~28 : Clustering : 고객(수요) 거래데이터를 활용한 RMF 분석
- 문제 29~33 : Clustering : 고객(수요) 거래데이터를 활용한 RMF 분석
- 소개 : 활용사례 : 고객 군집화를 통해 맴버십 등급의 특징을 파악
- 문제 34~37 : [활용사례] 고객 군집화를 통해 맴버십 등급의 특징을 파악
- 문제 38~39 : [활용사례] 고객 군집화를 통해 맴버십 등급의 특징을 파악

Ch3. 이커머스 데이터를 활용하여 공급집단(판매자) 군집분석을 적용해보자

- E-Commerce 데이터와 군집분석의 활용
- 문제 01~04 : E-Commerce 판매자(공급) 데이터 불러오기 & 전처리
- 문제 05~16 : Clustering - 판매자(공급) 메타데이터를 이용한 군집화
- 문제 17~29 : Clustering - 판매자(공급) 컨설팅에 활용할 그룹으로 군집화 (거래데이터 활용)
- 문제 30~38 : [활용사례] 그룹화된 고객과 스토어를 활용하여 만든 추천시스템

💻 Part 5. 머신러닝과 추천시스템

Ch1. 영화 데이터셋과 Rating Matrix를 활용하여 추천 모델 학습하기

- 문제 01~03 : 데이터 전처리
- 문제 04~07 : CF-based 모델링
- 문제 08~ 13 : 문제 MF-based 모델링
- 문제 14~18 : 추천 결과 평가

Ch2. 영화 데이터셋과 Embedding & Ranking 알고리즘으로 추천시스템 만들기

- 추천시스템의 구조 이해
- 문제 01~07 : Word2Vec 기반 추천 후보군 생성
- 문제 08~11 : 탐색적으로 다양한 추천 후보군 생성
- 문제 12~19 : Point-wise 데이터셋 생성
- 문제 20~22 : 추천 랭킹 모델링
- 문제 23~25 : 모의 추천 시스템 구축
- 문제 26 : 추천 결과 평가

💻 Part 6. 머신러닝 실전 모델링과 XAI

Ch1. 금융 데이터로 소득 구간 예측하기

- 금융 데이터 소개 및 예측 모델 개요
- 문제 01~03 : 예측할 모의 데이터 불러오기
- 문제 04~09 : Feature Engineering
- 문제 10~14 : 선형 분류모델 구현과 해석
- 문제 15~17 : 트리 기반 분류모델의 구현
- 문제 18~23 : 부스팅 기반 분류모델의 구현
- 문제 24~29 : 다중분류 모델의 구현
- 문제 30: 다중분류 모델의 구현
- 문제 31~37 : 다중분류 모델의 평가와 개선
- 문제 38~40 : 다중분류 모델의 평가와 개선

Ch2. 설명가능한 머신러닝(1) - 학습모델 개선하기

- 설명 가능한 AI 소개 및 개요
- 문제 01~02 : 머신러닝 모델에서 변수의 영향력 계산하기
- 부가 설명 02~04 : 머신러닝 모델에서 변수의 영향력 계산하기
- 부가 설명 05 : 머신러닝 모델에서 변수의 영향력 계산하기
- 문제 03~04 : 머신러닝 모델에서 변수의 영향력 계산하기
- 문제 05~07 : 머신러닝 모델에서 변수의 영향력 계산하기
- 문제 08~10 : 머신러닝 모델에서 변수의 영향력 계산하기
- 문제 11~12 : 머신러닝 모델의 부분의존성 분석하기
- 문제 13 : 머신러닝 모델의 부분의존성 분석하기
- 문제 14 : 머신러닝 모델의 부분의존성 분석하기
- 문제 15 : 머신러닝 모델의 부분의존성 분석하기
- 문제 16 : 머신러닝 모델의 부분의존성 분석하기
- 문제 17~18 : 머신러닝 모델의 부분의존성 분석하기
- 문제 19 : 머신러닝 모델의 부분의존성 분석하기
- 문제 20 : 머신러닝 모델의 부분의존성 분석하기
- 문제 21 : 머신러닝 모델의 부분의존성 분석하기
- 문제 22 : 머신러닝 모델의 부분의존성 분석하기
- 문제 23(1) : 머신러닝 모델의 대리분석 모형 구현하기
- 문제 23(2) : 머신러닝 모델의 대리분석 모형 구현하기
- 문제 23(3) : 머신러닝 모델의 대리분석 모형 구현하기
- 문제 24 : 머신러닝 모델의 대리분석 모형 구현하기

Ch3. 설명가능한 머신러닝(2) - 학습모델 해석하기

- XAI와 대리 분석 모형
- 문제 01(1) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 01(2) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 01(3) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 02 : 정형 분류 알고리즘에 Shap 적용하기
- 문제 03(1) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 03(2) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 03(3) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 04 : 정형 분류 알고리즘에 Shap 적용하기
- 문제 05 : 정형 분류 알고리즘에 Shap 적용하기
- 문제 06(1) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 06(2) : 정형 분류 알고리즘에 Shap 적용하기
- 문제 07 : 정형 분류 알고리즘에 Shap 적용하기
- 문제 08 : 이미지 분류 알고리즘에 LIME 적용하기
- 문제 09 : 이미지 분류 알고리즘에 LIME 적용하기
- 문제 10 : 이미지 분류 알고리즘에 LIME 적용하기
- 문제 11 : 이미지 분류 알고리즘에 LIME 적용하기
- 문제 12 : 이미지 분류 알고리즘에 LIME 적용하기

Ch4. 불균형 데이터를 이용하여 금융사기탐지 모델 구현하기

- 사기탐지 모형 개요
- 문제 01 : 데이터를 학습에 맞게 변환하기
- 문제 02 : 데이터를 학습에 맞게 변환하기
- 문제 03 : 데이터를 학습에 맞게 변환하기
- 문제 04 : PCA, t-SNE, SVD를 이용하여 차원 축소하기
- 문제 05 : PCA, t-SNE, SVD를 이용하여 차원 축소하기
- 문제 06~07 : Random Undersampling으로 샘플 재구축하기
- 문제 08~09(1) : SMOTE로 샘플 재구축하기
- 문제 09(2) : SMOTE로 샘플 재구축하기

지금 보고 있는 이 강의!
실제로 어떻게 진행되는지 궁금하다면? 👇

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

파이썬 문제를 다 풀고 난 후의 변화를 기대해보세요.

초보자

새로운 데이터를 무작정 겁내기만 했지만,
앞으로는 어떤 데이터를 분석할지
상상만 해도 설레게 될 거예요.

입문자

지긋지긋한 캐글 타이타닉이 아니라,
실제 필드에서 분석하는 데이터를 다뤄보며
실무 감각을 익힐 수 있을 거예요.

실무자

내가 진짜 아는 것과 모르는 것을
정확하게 파악하게 될 거예요.
모르는 것은 강의에서 다 배울 수 있어요!

머신러닝 경험을 만들어줄 강사진을 소개합니다.

블로그 보기 »

윤기태 강사님

“비경험자에게 경험을 만들어주는 강의입니다.”

💻약력
· 딜리버리 히어로 머신러닝 엔지니어 (2020~)
· GSSHOP 머신러닝 엔지니어 (2018~2020)

💻기타
· [블로그] 머신러닝, 추천시스템 관련 개발 블로그 운영
· [저자] 이것이 데이터분석이다 with 파이썬 (2020, 한빛미디어)
· [강의] 파이썬 데이터분석 강의 다수

블로그 보기 »

신제용 강사님

“이제는, 머신러닝도 게임처럼 재미있게 배워보세요!”

💻약력
· 서강대 전자공학 석사 최우수 졸업(영상처리, 컴퓨터비전)

💻기타
· [자문] LG이노텍 CTO Software 개발실 딥러닝 자문
· [프로젝트] 딥러닝 공정 이미지 분석, 스마트팜, 차량 카메라 프로젝트 진행
· [강의] 머신러닝, 딥러닝 등 강의 다수

김강진 강사님

“지금 당장 머신러닝 프로젝트를 시작할 수 있습니다.”

💻약력
· 서울대학교 보건대학원 보건 통계학 석사
· 데이터마켓 공동 창업자

💻기타
· [수상] 빅콘테스트 2015년 미래창조과학부 장관상
· [강의] 연세대 주관 Bigdata x yonsei 강사

최민정 강사님

“오롯이 실무를 위해 설계했습니다.”

💻약력
· 현 신한금융그룹 데이터 사이언티스트
· Temple University 계량통계 분야 장학연구원
· 서울대학교 지능데이터시맨틱스 연구실 졸업
· 서울대학교 경영학과 졸업

💻기타
- 머신러닝 및 정보시스템 분야 국제 학회 논문 다수
· 신한은행 로보어드바이저 프로젝트
· 신한카드 고객 모델링 프로젝트
· 신한생명 FC 모델링 프로젝트

전다정 강사님

“흩어진 지식의 퍼즐조각이 맞춰지는 강의”

💻약력
· 현 크로키닷컴(지그재그) 데이터 사이언티스트
· 전 Honeybees 리드 데이터 사이언티스트
· 전 CarVi 데이터 사이언티스트
· 전 Nexon M Data analyist
· DePaul University, Data Science 석사 수석졸업

💻기타
· [프로젝트] e-commerce 추천시스템, 랭킹 알고리즘 설계
· [프로젝트] 배달음식 배차 최적화 알고리즘 설계
· [그 외] Coursera 머신러닝/딥러닝 과정 수료 다수
· [그 외] SAS 자격 다수

강의 목표.

머신러닝 이론을 실무 필드에서 활용할 수 있게 됩니다.
수많은 실전 문제를 풀면서 머신러닝 경험을 쌓고, 실제 분석에 응용하거나 서비스를 만들어낼 수 있습니다.

머신러닝의 본질인 문제 해결 능력이 올라갑니다.
막연하고 파편화되어 있던 지식을 체계적으로 실제 과제에 활용할 수 있게 됩니다.

어떤 데이터를 마주하더라도 효과적으로 활용할 수 있게 됩니다.
여러 분야의 다양한 데이터로 실습하기 때문에 어떤 상황에도 쉽게 적용할 수 있습니다.

추천 대상.

• 머신러닝 이론 수업만 듣고, 직접 코드를 쳐본 경험이 없는 사람
• 실전 문제를 풀어보면서 머신러닝 경험을 쌓고 싶은 사람
• 머신러닝을 배운 후에 실제 프로젝트에 응용해보고 싶은 사람
• 파이썬 라이브러리를 실용적으로 활용해보고 싶은 사람
• 다양한 데이터를 활용해서 머신러닝 실습을 해보고 싶은 사람

강의 장점.

머신러닝을 쉽고 재미있게 배울 수 있어요!

직접 코드를 치면서 배우기 때문에 이론 강의처럼 지루하고 어렵지 않아요.

상세한 문제 풀이로 빠르게 이해할 수 있어요!

왜 이런 코드가 나왔는지 문제 하나하나 꼼꼼하게 해설해드려요.

세상에 존재하는 머신러닝 문제를 다 모았어요!

다양한 분야의 데이터로 만든 300개 이상의 문제를 모두 풀고 머신러닝을 마스터하세요.

머신러닝 모델 구현 경험을 쌓을 수 있어요!

입문자는 하나 구현하기도 힘들다는 머신러닝 모델, 강의만 잘 따라오면 20개 이상 구현해볼 수 있어요!

⏰5월 31일까지만 ⏰ 가격인상까지 남은 시간

0일 0시간 0분 0초 2022-05-31T23:59

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

5월 마지막 최저가로 구매

구매 안내.

결제 후, 언제 어디서나 하루 10분 공부 시작.

• 홈페이지 회원가입 및 로그인
• 원하는 강의 결제하기
• 마이페이지에서 강의 시청하기

하루 10분으로
완전 정복.

걸음마부터.
코드를 하나하나 짚어가며 꼼꼼하게 알려드립니다.

실무 활용도 100%.
다양한 산업군의 데이터를 활용해서 머신러닝을 배워보세요.

원하는 장소 어디서나.
내가 마음먹은 곳 어디든 나만의 강의장이 됩니다.

무제한 반복 학습과 평생 소장.
이해가 잘 되지 않는 내용도 몇 번이고 반복 재생하여 학습할 수 있습니다.

퀴즈처럼 풀면서 배우는 파이썬 머신러닝 300제+
연습문제 패키지 상세정보.

수업 시수

• 7개 대주제, 229개 강의 클립
• 약 55시간 분량

난이도

• 입문 - 실전
• 선수지식
① 파이썬 기본 문법(for문, 함수 이해)
② 기본 데이터 전처리(pandas, numpy 라이브러리 이해)
③ 기본 데이터 시각화(matplotlib, seaborn 라이브러리 이해)

강의 특징

• 수강료 1회 결제로 평생 소장

부가 학습 자료

• 강의 영상 공개 후, 마이페이지 > 내 강의 보기 > 온라인 강의장에서 확인 가능
• 문제 파일, 해설 파일 제공

[5월 마지막 최저가 & 5월 쿠폰 이벤트 주의사항 및 환불규정 ]

~5/31(화) 5월 마지막 최저가 & 5월 쿠폰 이벤트 주의사항 및 환불규정 바로가기 ☞

주의사항 * 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

– 총 학습기간 :
정상 수강기간(유료 수강기간) 최초 2개월(60일), 무료 수강 기간은 61일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 55시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일 :
수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 일정 만큼 수강 시작일이 연기됩니다.
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
– 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 수강시작 후 7일 이내, 5강 미만 수강 시에는 100%환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강시 수강기간인 2개월(60일) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 8일 ~20일 이하 경과시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 21일~30일 이하 경과시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 30일 초과 시, 환불금액 없음

패스트캠퍼스 아이디 공유 금지 정책 안내 아이디 공유란?
1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다. 패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다.
동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.

파이썬

🙋🏻‍♀ 딥러닝에도 관심이 있다면 주목하세요!

🙋🏻‍♀ 딥러닝에도 관심이 있다면 주목하세요!

Ch1. 학습 플랫폼 및 라이브러리 소개

Ch2. 캐글과 데이터셋 소개

Ch3. 데이터의 분석과 모델의 학습

Ch4. 문제 풀이 가이드

Ch1. 데이터 분석으로 심부전증을 예방할 수 있을까?

Ch2. 우리 애는 머리는 좋은데, 공부를 안해서 그래요 - 데이터로 살펴보는 우리 아이 학습 성공/실패 요소

Ch3. 롤 좀 하니? '이것'만 하면 무조건 이긴다! - 데이터로 알아보는 리그 오브 레전드의 승리 공식

Ch4. 오늘 밤 유럽 축구, 어디가 이길까? 데이터로 분석하고 내기를 이겨보자!

Ch5. 미국의 대통령은 어떻게 뽑힐까?

Ch1. 자동으로 모은 데이터는 분석하기 어렵다면서? 자동으로 모은 중고 자동차 데이터를 분석해보자!

Ch2. 뉴욕에서 방이 둘 딸린 집을 에어비엔비에 내놓으려 한다. 이 때 적당한 숙박료는 얼마일까?

Ch3. 우리나라의 행복지수는 몇 위? 아니, 행복지수가 도대체 뭔데?

Ch4. 새로 출시된 게임, 전문가 리뷰 믿고 바로 구매해도 될까요? 직접 데이터로 분석하고 판단해 보자!

Ch5. 뉴스에서만 보던 코로나-19 데이터, 직접 분석하고 직접 판단해봅시다.

Ch1. 철판 제조 공정 데이터를 활용한 분류모형 생성 및 성능 비교

Ch2. 다양한 패턴의 2차원 상의 점을 구분해 내는 방법

Ch1. iris 데이터로 기본적인 군집분석(clustering) 원리와 분석 과정을 연습해보자

Ch2. 이커머스 데이터를 활용하여 수요집단(고객) 군집분석을 적용해보자

Ch3. 이커머스 데이터를 활용하여 공급집단(판매자) 군집분석을 적용해보자

Ch1. 영화 데이터셋과 Rating Matrix를 활용하여 추천 모델 학습하기

Ch2. 영화 데이터셋과 Embedding & Ranking 알고리즘으로 추천시스템 만들기

Ch1. 금융 데이터로 소득 구간 예측하기

Ch2. 설명가능한 머신러닝(1) - 학습모델 개선하기

Ch3. 설명가능한 머신러닝(2) - 학습모델 해석하기

Ch4. 불균형 데이터를 이용하여 금융사기탐지 모델 구현하기

상세 커리큘럼.

초보자

입문자

실무자

윤기태 강사님

신제용 강사님

김강진 강사님

최민정 강사님

전다정 강사님

머신러닝을 쉽고 재미있게 배울 수 있어요!

상세한 문제 풀이로 빠르게 이해할 수 있어요!

세상에 존재하는 머신러닝 문제를 다 모았어요!

머신러닝 모델 구현 경험을 쌓을 수 있어요!

결제 후, 언제 어디서나 하루 10분 공부 시작.

수업 시수

난이도

강의 특징

부가 학습 자료

수강료.