Curriculum

32 weeks,
one project.

처음 시작하는 동아리원을 위한 기초 세션에서 Python, 데이터 분석 흐름, 기초 통계를 먼저 다지고, 8개월 동안 데이터 수집, EDA, 머신러닝, 대시보드, 팀 프로젝트 퍼블리싱까지 단계적으로 쌓아갑니다.

1-8주

FOUNDATION

Python, Pandas, SQL, EDA 기초

9-16주

ANALYSIS

시각화, 추론 통계, 회귀, 머신러닝 입문

17-20주

ADVANCED

피처 엔지니어링, 비지도 학습, 텍스트·추천 입문

21-32주

PROJECT

팀 프로젝트, 모델 개선, 대시보드, 최종 발표

Stack

배우는 기술

수집, 분석, 시각화, 모델링, 협업까지 프로젝트에 필요한 도구를 얕게 훑지 않고 실제 결과물에 연결해 다룹니다.

수집

Python

Requests

BeautifulSoup

Selenium

Open API

분석

Pandas

NumPy

SQL

Jupyter

EDA

시각화

Matplotlib

Seaborn

Plotly

Streamlit

Dashboard

모델링

Statsmodels

Scikit-learn

XGBoost

Validation

Feature Engineering

협업

GitHub

Notion

Code Review

Presentation

Portfolio

32-week roadmap

주차별 커리큘럼

긴 타임라인 대신 한눈에 스캔할 수 있도록 그리드로 압축했습니다.

1주차

공통

데이터·수학 기초

변수, 자료형, 기초 선형대수, 데이터 분석 흐름

2주차

공통

Python 분석 환경

Python 문법, Jupyter, 가상환경, GitHub 기본

3주차

기초

Pandas 입문

Series/DataFrame, 결측치, 필터링, groupby

4주차

기초

EDA와 기초 통계

분포, 상관, 가설 설정, 통계적 사고

5주차

수집

웹 데이터 수집

Requests, BeautifulSoup, API 응답 다루기

6주차

수집

동적 페이지 크롤링

Selenium, 페이지 구조 파악, 수집 자동화

7주차

분석

SQL과 데이터 정리

SELECT, JOIN, 집계, 분석용 테이블 만들기

8주차

분석

중간 미니 프로젝트

작은 데이터셋으로 질문-분석-발표 경험

9주차

시각화

Matplotlib/Seaborn

차트 선택, 분포/비교/관계 시각화

10주차

시각화

Plotly와 인터랙션

인터랙티브 차트, 대시보드 구성 방식

11주차

통계

추론 통계

표본, 신뢰구간, p-value, A/B 테스트 기초

12주차

통계

회귀분석

선형회귀, 다중회귀, 해석 가능한 모델링

13주차

머신러닝 개요

지도/비지도 학습, train/test split, 평가 지표

14주차

분류 모델

Logistic Regression, Tree, Random Forest

15주차

회귀 모델

Regularization, Gradient Boosting, XGBoost

16주차

모델 검증

교차검증, 과적합, 피처 중요도, 에러 분석

17주차

심화

Feature Engineering

범주형 인코딩, 스케일링, 파생변수 설계

18주차

심화

비지도 학습

클러스터링, 차원축소, 세그먼트 분석

19주차

심화

텍스트 데이터 기초

토큰화, TF-IDF, 감성/키워드 분석

20주차

심화

팀 빌딩과 주제 선정

문제정의, 데이터 후보 탐색, 역할 분담

22주차

프로젝트

데이터 수집 설계

수집 범위, 스키마, 데이터 품질 기준

23주차

프로젝트

EDA 리서치 노트

가설 검증, 시각화, 분석 방향 결정

24주차

프로젝트

베이스라인 모델

간단한 모델 구축, 지표 설정, 개선 계획

25주차

프로젝트

모델 고도화

피처 개선, 모델 비교, 실험 기록

26주차

프로젝트

대시보드·리포트

Streamlit/Plotly 기반 결과 전달

27주차

프로젝트

중간 리뷰

피드백 반영, 논리 구조 점검, 리스크 정리

28주차

프로젝트

최종 분석 정리

결론 도출, 한계점, 후속 실험 제안

29주차

퍼블리시

GitHub 정리

README, 재현 방법, 코드 구조 정돈

30주차

퍼블리시

발표 자료 제작

스토리라인, 핵심 지표, 시각 자료 구성

31주차

퍼블리시

리허설과 QA

발표 연습, 예상 질문, 결과 해석 보완

32주차

퍼블리시

최종 공유회

프로젝트 발표, 회고, 포트폴리오 마무리

마지막에는 하나의 프로젝트로 남깁니다.

32주 동안 쌓은 수집, 분석, 모델링, 시각화 역량을 하나의 질문에 묶고 발표 가능한 산출물로 정리합니다.

분석 보고서

GitHub 저장소

발표 자료

8기 지원 정보 보기 PROJECT LAB 보기

std-error

HOME

Curriculum

32 weeks,
one project.

1-8주

FOUNDATION

Python, Pandas, SQL, EDA 기초

9-16주

ANALYSIS

시각화, 추론 통계, 회귀, 머신러닝 입문

17-20주

ADVANCED

피처 엔지니어링, 비지도 학습, 텍스트·추천 입문

21-32주

PROJECT

팀 프로젝트, 모델 개선, 대시보드, 최종 발표

Stack

배우는 기술

수집, 분석, 시각화, 모델링, 협업까지 프로젝트에 필요한 도구를 얕게 훑지 않고 실제 결과물에 연결해 다룹니다.

수집

Python

Requests

BeautifulSoup

Selenium

Open API

분석

Pandas

NumPy

SQL

Jupyter

EDA

시각화

Matplotlib

Seaborn

Plotly

Streamlit

Dashboard

모델링

Statsmodels

Scikit-learn

XGBoost

Validation

Feature Engineering

협업

GitHub

Notion

Code Review

Presentation

Portfolio

32-week roadmap

주차별 커리큘럼

긴 타임라인 대신 한눈에 스캔할 수 있도록 그리드로 압축했습니다.

1주차

공통

데이터·수학 기초

변수, 자료형, 기초 선형대수, 데이터 분석 흐름

2주차

공통

Python 분석 환경

Python 문법, Jupyter, 가상환경, GitHub 기본

3주차

기초

Pandas 입문

Series/DataFrame, 결측치, 필터링, groupby

4주차

기초

EDA와 기초 통계

분포, 상관, 가설 설정, 통계적 사고

5주차

수집

웹 데이터 수집

Requests, BeautifulSoup, API 응답 다루기

6주차

수집

동적 페이지 크롤링

Selenium, 페이지 구조 파악, 수집 자동화

7주차

분석

SQL과 데이터 정리

SELECT, JOIN, 집계, 분석용 테이블 만들기

8주차

분석

중간 미니 프로젝트

작은 데이터셋으로 질문-분석-발표 경험

9주차

시각화

Matplotlib/Seaborn

차트 선택, 분포/비교/관계 시각화

10주차

시각화

Plotly와 인터랙션

인터랙티브 차트, 대시보드 구성 방식

11주차

통계

추론 통계

표본, 신뢰구간, p-value, A/B 테스트 기초

12주차

통계

회귀분석

선형회귀, 다중회귀, 해석 가능한 모델링

13주차

머신러닝 개요

지도/비지도 학습, train/test split, 평가 지표

14주차

분류 모델

Logistic Regression, Tree, Random Forest

15주차

회귀 모델

Regularization, Gradient Boosting, XGBoost

16주차

모델 검증

교차검증, 과적합, 피처 중요도, 에러 분석

17주차

심화

Feature Engineering

범주형 인코딩, 스케일링, 파생변수 설계

18주차

심화

비지도 학습

클러스터링, 차원축소, 세그먼트 분석

19주차

심화

텍스트 데이터 기초

토큰화, TF-IDF, 감성/키워드 분석

20주차

심화

팀 빌딩과 주제 선정

문제정의, 데이터 후보 탐색, 역할 분담

22주차

프로젝트

데이터 수집 설계

수집 범위, 스키마, 데이터 품질 기준

23주차

프로젝트

EDA 리서치 노트

가설 검증, 시각화, 분석 방향 결정

24주차

프로젝트

베이스라인 모델

간단한 모델 구축, 지표 설정, 개선 계획

25주차

프로젝트

모델 고도화

피처 개선, 모델 비교, 실험 기록

26주차

프로젝트

대시보드·리포트

Streamlit/Plotly 기반 결과 전달

27주차

프로젝트

중간 리뷰

피드백 반영, 논리 구조 점검, 리스크 정리

28주차

프로젝트

최종 분석 정리

결론 도출, 한계점, 후속 실험 제안

29주차

퍼블리시

GitHub 정리

README, 재현 방법, 코드 구조 정돈

30주차

퍼블리시

발표 자료 제작

스토리라인, 핵심 지표, 시각 자료 구성

31주차

퍼블리시

리허설과 QA

발표 연습, 예상 질문, 결과 해석 보완

32주차

퍼블리시

최종 공유회

프로젝트 발표, 회고, 포트폴리오 마무리

마지막에는 하나의 프로젝트로 남깁니다.

32주 동안 쌓은 수집, 분석, 모델링, 시각화 역량을 하나의 질문에 묶고 발표 가능한 산출물로 정리합니다.

분석 보고서

GitHub 저장소

발표 자료

8기 지원 정보 보기 PROJECT LAB 보기

32 weeks,one project.

FOUNDATION

ANALYSIS

ADVANCED

PROJECT

배우는 기술

주차별 커리큘럼

데이터·수학 기초

Python 분석 환경

Pandas 입문

EDA와 기초 통계

웹 데이터 수집

동적 페이지 크롤링

SQL과 데이터 정리

중간 미니 프로젝트

Matplotlib/Seaborn

Plotly와 인터랙션

추론 통계

회귀분석

머신러닝 개요

분류 모델

회귀 모델

모델 검증

Feature Engineering

비지도 학습

텍스트 데이터 기초

추천·랭킹 입문

팀 빌딩과 주제 선정

데이터 수집 설계

EDA 리서치 노트

베이스라인 모델

모델 고도화

대시보드·리포트

중간 리뷰

최종 분석 정리

GitHub 정리

발표 자료 제작

리허설과 QA

최종 공유회

32 weeks,one project.

FOUNDATION

ANALYSIS

ADVANCED

PROJECT

배우는 기술

주차별 커리큘럼

데이터·수학 기초

Python 분석 환경

Pandas 입문

EDA와 기초 통계

웹 데이터 수집

동적 페이지 크롤링

SQL과 데이터 정리

중간 미니 프로젝트

Matplotlib/Seaborn

Plotly와 인터랙션

추론 통계

회귀분석

머신러닝 개요

분류 모델

회귀 모델

모델 검증

Feature Engineering

비지도 학습

텍스트 데이터 기초

추천·랭킹 입문

팀 빌딩과 주제 선정

데이터 수집 설계

EDA 리서치 노트

베이스라인 모델

모델 고도화

대시보드·리포트

중간 리뷰

최종 분석 정리

GitHub 정리

발표 자료 제작

리허설과 QA

최종 공유회

32 weeks,
one project.

32 weeks,
one project.