컨텐츠 내용
- 수강신청
- 과정정보
예측 모델링 교육 - 개인 맞춤형 AI 학습과 함께
과정소개
■ 과정명 : 예측 모델링 교육 - 개인 맞춤형 AI 학습과 함께
■ 교육소개 : SOA Predictive Analytics Exam의 핵심 개념을 이해하고, Google NotebookLM을 통해 방대한 학습 자료를 나만의 AI 학습으로 맞춤화하는 방법을 익힙니다.
■ 교육일시 : 2025-09-08(월) ~ 9일(화) 14:00~18:00 (총 8시간 / 2일)
■ 교육장소 : 한국보험계리사회 세미나실 (주소: 서울시 종로구 새문안로3길 15, 동원빌딩 4층)
■ 수강대상 : 예측 분석 역량 강화 및 데이터 기반 의사결정에 관심 있는 모든 부서의 임직원, Google NotebookLM 등 최신 AI 도구를 학습에 적용해 보고 싶으신 분
■ 사전지식 : Exam P, Exam SRM, VEE Mathematical Statistics
■ 준비물 : 노트북, 태블릿, 또는 스마트폰(다만, 원활한 학습을 위해 스마트폰보다는 노트북이나 태블릿 사용을 권장함), Google 계정 (NotebookLM 서비스 로그인을 위해 필요함)
■ 강사소개 : 김현수 (뮌헨재보험 생명보험부 계리컨설팅 부장)
■ 이수학점 : 8학점
■ 문의처 : 전화 02-782-7440 (내선1번), 이메일 actuary@actuary.or.kr
| 차시 | 일시 | 강의명 | 강의설명 |
|---|---|---|---|
| 1차시 | 2025.09.08 14:00~15:10 | 과정 소개 및 예측 분석 문제 정의 | 1. 과정 목표 및 PA exam 특징 분석 2. AI 기반 학습(NotebookLM) 활용법 소개 3. 분석 유형별(descriptive, predictive, prescriptive) 비즈니스 질문 도출 4. 편향-분산 트레이드오프(Bias-Variance Trade-off) 개념의 이해 |
| 2차시 | 2025.09.08 15:20~16:35 | 탐색적 데이터 분석(EDA) 및 데이터 변환 | 1. 데이터 분포(왜도, 이상치) 파악 및 데이터 처리와 정당화 2. 불균형 데이터의 문제점 파악 및 해결 방안 (언더/오버 샘플링) 3. 다중공선성(Multicollinearity) 문제 발견 및 해석 4. 기존 데이터로부터 모델 성능을 개선할 새로운 변수(피처) 생성 |
| 3차시 | 2025.09.08 16:45~18:00 | 트리 기반 모델 | 1. 불순도(Impurity) 및 엔트로피(Entropy) 개념 2. 단일 트리(Decision Trees)의 해석, 가지치기(Pruning) 및 최적 복잡도(cp) 선택 3. 배깅(Bagging), 랜덤포레스트 및 부스팅(Boosting) 4. 과적합(Overfitting) 방지를 위한 주요 하이퍼파라미터의 역할과 제어 방법 |
| 4차시 | 2025.09.09 14:00~15:10 | 비지도 학습 및 일반화 선형 모델(GLM) 기초 | 1. 주성분 분석(PCA), K-평균(K-means), 계층적 군집 분석(Hierarchical Clustering) 2. 군집 분석(Clustering) 적용 시의 주요 고려사항 (변수 스케일링, 표준화 등) 3. GLM의 기본 가정(선형성 등) 및 트리 모델과의 차이점 비교 4. GLM 잔차 진단 그래프(Q-Q Plot, Scale-Location) 해석 |
| 5차시 | 2025.09.08 15:20~16:35 | 일반화 선형 모델(GLM) 심화 | 1. 변수 선택 기법 비교: 단계적 선택법 vs 정규화 회귀(LASSO, Ridge) 2. GLM의 분포(Distribution) 및 연결 함수(Link Function) 선택 3. 오프셋(Offsets) 및 가중치(Weights) 적용 방법 4. 상호작용항을 포함한 모델의 계수 해석 및 예측값 계산 |
| 6차시 | 2025.09.08 16:45~18:00 | 모델링 종합 및 최종 평가 | 1. 분류 모델 평가 지표의 이해와 계산 (혼동 행렬, 정확도, 민감도, 정밀도) 2. ROC 커브와 AUC의 해석 및 비즈니스 목적에 따른 임계값(Threshold) 조정 3. 모델 성능과 해석용이성을 고려한 최종 모델 선택 및 정당화 4. AI 튜터를 활용한 개인별 학습 계획 및 약점 보완 |
