한국보험계리사회

[교육] 「예측 모델링, Vibe Coding과 AI 학습으로」 교육 시행 안내 (7.9~7.10)

2026-06-05 조회수 : 315

본회는 회원의 전문성 제고를 위하여 다음과 같이 교육을 시행하오니 회원 여러분의 많은 관심과 신청 바랍니다. 감사합니다.

◈ 과정개요

과 정 명

예측 모델링, Vibe Coding과 AI 학습으로

일 시

(1일차) 2026-07-09(목) 13:00~18:00 (5H)

(2일차) 2026-07-10(금) 13:00~18:00 (5H) (총 10시간 / 2일)

장 소

한국보험계리사회 세미나실 (주소: 서울시 종로구 새문안로3길 15, 당주동 동원빌딩 4층)

학습목표

1) 예측 분석의 주요 모델링 방법론과 핵심 개념을 정의하고 설명할 수 있다.

2) 데이터 전처리, 모델링, 결과 계산 등 예측 분석에 필요한 R코드를 작성·실행하여 실질적인 기법을 적용하고 수행할 수 있다.

3) 다양한 시각화 자료와 모델 결과를 분석하고 여러 방법론을 비교하여 장단점을 파악할 수 있다.

4) 비즈니스 문제를 해결하기 위해 예측 분석의 전 과정을 설계하고, 종합적인 평가를 통해 최종 전략을 구성할 수 있다.

교육대상

1) 예측 분석 역량 강화 및 데이터 기반 의사결정에 관심 있는 모든 부서의 임직원

2) Google Colab, Gemini, NotebookLM 등 AI 학습/개발 도구를 활용해 효율적으로 학습하고 싶은 분

사전지식

Exam P, Exam SRM, VEE Mathematical Statistics

준 비 물

1. 기자재: 노트북 필수 (Google Colab + Gemini로 R 코드 실습 진행)

2. 프로그램: Google 무료 계정 (Colab, Gemini, NotebookLM 활용)

강사소개

김현수 (뮌헨재보험 생명보험부 계리컨설팅 부장)

이수학점

10학점

수강인원

선착순 60명 (※ 수강신청자는 선착순으로 접수하며, 조기마감될 수 있습니다.)

◈ 강의일람표

강의시간

10시간 / 2일간

일시			과목
7/9 (목)	13:00-14:10	70분	과정 소개 및 예측 분석 문제 정의	1. 과정 목표 및 예측 모델링 시험 특징 분석 2. AI 학습 도구 소개 및 환경 설정: Colab / Gemini / NotebookLM 3. Vibe Coding 워크플로우 실습 (자연어 → AI → R 코드 → 실행 → 해석 루프) 4. 분석 유형별(descriptive, predictive, prescriptive) 비즈니스 질문 도출
	14:20-15:30	70분	탐색적 데이터 분석(EDA)	1. 편향-분산 트레이드오프(Bias-Variance Trade-off) 개념의 이해 2. 단변량 탐색 (왜도, 이상치) / 다변량 탐색 (상관관계, 다중공선성) 3. 훈련 / 검증 / 테스트 데이터셋 4. Colab + Gemini R 코드 실습: 시각화 코드 생성·해석
	15:40-16:50	70분	데이터 변환	1. 결측치 및 이상치 처리 방법 2. 불균형 데이터 처리 방법 (언더/오버 샘플링) 3. 피처 생성(Feature Engineering) 및 변수 변환 4. Colab + Gemini R 코드 실습: 데이터 변환 코드 생성·해석
	17:00-18:00	60분	비지도 학습	1. 주성분 분석(PCA)의 원리와 적용 2. K-평균(K-means), 계층적 군집 분석(Hierarchical Clustering) 3. 군집 분석(Clustering) 적용 시의 주요 고려사항 (변수 스케일링, 표준화 등) 4. Colab + Gemini R 코드 실습: PCA·군집 분석 코드 생성·해석
7/10 (금)	13:00-14:10	70분	트리 기반 모델	1. 단일 트리: 회귀/분류 트리, 가지치기(Pruning) 및 최적 복잡도(cp) 2. 배깅(Bagging) 및 랜덤포레스트 3. 부스팅(Boosting) 및 과적합 방지를 위한 주요 하이퍼파라미터 4. Colab + Gemini R 코드 실습: 트리 모델 적합 및 해석
	14:20-15:30	70분	일반화 선형 모델(GLM) 기초	1. GLM의 기본 가정(선형성 등) 및 트리 모델과의 차이점 비교 2. 분포(Distribution) 및 연결 함수(Link Function) 선택 3. GLM 잔차 진단 그래프(Q-Q Plot, Scale-Location) 해석 4. Colab + Gemini R 코드 실습: GLM 적합 및 잔차 해석
	15:40-16:50	70분	일반화 선형 모델(GLM) 심화	1. 변수 선택 기법: 단계적 선택법 vs 정규화 회귀(LASSO, Ridge, Elastic Net) 2. 오프셋(Offsets) 및 가중치(Weights) 적용 3. 상호작용항을 포함한 모델의 계수 해석 및 예측값 계산 4. Colab + Gemini R 코드 실습: 정규화 회귀
	17:00-18:00	60분	모델링 종합 및 최종 평가	1. 분류 모델 평가 지표 (혼동 행렬, 정확도, 민감도, 정밀도) 2. ROC 커브와 AUC의 해석 및 임계값(Threshold) 조정 3. 모델 성능과 해석용이성을 고려한 최종 모델 선택 4. Vibe Coding 시연: Gemini로 R 코드 생성·해석 및 종합 정리
※ 상기 일정표는 진행과정에 따라 일부 변경될 수 있습니다.