Learn AI with Python · 강의

시계열 예측을 위한 LSTM

시퀀스 준비, 상태 비유지 LSTM과 상태 유지 LSTM, 과거 참조 구간, 다단계 예측을 다룹니다.

시계열 예측을 위한 LSTM은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

시계열에 LSTM을 사용하는 이유

LSTM(장단기 메모리)은 게이트 메모리 셀을 사용해 긴 시퀀스에 걸쳐 패턴을 기억하는 순환 신경망입니다. 충분한 데이터가 있으면 ARIMA로는 표현할 수 없는 비선형 의존성을 모델링할 수 있어 복잡한 시계열에 강력합니다.

시퀀스 윈도우 구성

LSTM은 윈도우에서 학습합니다. 윈도우는 다음 값을 예측하는 데 사용하는 과거 단계의 고정 길이 조각입니다. 윈도우 크기가 10이면 모델은 1~10단계를 보고 11단계를 예측한 다음, 2~11단계를 보고 12단계를 예측하는 식으로 진행합니다.

코드로 윈도우 만들기

도우미 함수는 1차원 시계열을 입력과 대상의 쌍으로 변환합니다.

import numpy as np

def make_windows(series, window):
    X, y = [], []
    for i in range(len(series) - window):
        X.append(series[i:i+window])
        y.append(series[i+window])
    return np.array(X), np.array(y)

X, y = make_windows(values, window=10)

데이터 스케일 조정

신경망은 스케일이 조정된 입력으로 더 잘 학습합니다. MinMaxScaler를 사용해 값을 [0, 1] 범위로 매핑하고, 나중에 예측값을 원래 스케일로 되돌릴 때 inverse_transform을 사용해야 한다는 점을 기억하십시오.

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
scaled = scaler.fit_transform(values.reshape(-1, 1))

LSTM에 맞게 형태 변경

케라스 LSTM 계층은 (샘플, 시간 단계, 특성) 형태의 입력을 기대합니다. 단변량 시계열에서는 특성 수가 1입니다.

# X is (samples, timesteps); add a feature axis
X = X.reshape((X.shape[0], X.shape[1], 1))
print(X.shape)  # (samples, timesteps, 1)

모델 구축

간단한 구조는 다음과 같습니다. 하나의 LSTM(50) 계층이 다음 값을 예측하는 Dense(1) 출력 계층으로 연결됩니다.

from tensorflow.keras import Sequential
from tensorflow.keras.layers import LSTM, Dense

model = Sequential([
    LSTM(50, input_shape=(X.shape[1], 1)),
    Dense(1)
])

Dense(1)을 사용하는 이유

한 단계 앞을 예측하는 것은 숫자 하나를 출력하는 회귀이므로, 마지막 계층에는 활성화 함수가 없는 Dense(1)을 사용합니다. 여러 단계를 예측하려면 Dense(n_steps)를 사용합니다.

컴파일

아담 최적화기와 평균 제곱 오차 손실을 사용하십시오. 이는 연속적인 대상값을 예측하는 회귀에서 표준적으로 선택하는 방식입니다.

model.compile(optimizer="adam", loss="mse")

학습

윈도우로 구성한 데이터에 모델을 학습시키십시오. 검증 분할은 각 에포크에 걸쳐 일반화 성능을 모니터링합니다.

history = model.fit(
    X, y,
    epochs=50,
    batch_size=32,
    validation_split=0.2
)

예측

새 윈도우에 대해 예측한 다음, 원래 스케일로 되돌리려면 inverse_transform을 적용하십시오.

pred_scaled = model.predict(X_test)
pred = scaler.inverse_transform(pred_scaled)

쌓기와 조정

더 어려운 시계열에는 LSTM을 여러 개 쌓고, 마지막 계층을 제외한 모든 계층에서 return_sequences=True로 설정한 다음 드롭아웃을 추가하십시오. 계층을 더 추가하면 더 깊은 패턴을 포착할 수 있지만 더 많은 데이터가 필요하고 과적합 위험도 커집니다.

model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)),
    LSTM(50),
    Dense(1)
])

빠른 확인

LSTM 시계열 예측 지식을 테스트해 보십시오.

복습

윈도우를 준비하고, MinMaxScaler로 스케일을 조정하고, (샘플, 시간 단계, 특성) 형태로 변경하고, LSTM(50) + Dense(1)을 구축하고, 아담/평균 제곱 오차로 컴파일하고, 학습한 뒤 예측값을 원래 스케일로 되돌렸습니다. 이것으로 시계열 과정을 마칩니다. 다음 과정은 추천 시스템입니다.

자주 묻는 질문

“시계열 예측을 위한 LSTM” 강의는 무료인가요?

네 — “시계열 예측을 위한 LSTM” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“시계열 예측을 위한 LSTM”에서 뭘 배우나요?

시퀀스 준비, 상태 비유지 LSTM과 상태 유지 LSTM, 과거 참조 구간, 다단계 예측을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.

“시계열 예측을 위한 LSTM” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기