|
|
|
|
|
 |
금융 데이터의 특징과 어려운 점을 어떻게 해결할 것인가
서울대학교 과정은 '현업 문제 해결능력' 중심으로 설계되어 있으며, 금융 데이터·AI 모델링·핀테크 서비스 개발·클라우드 기반 파이프라인 등 전 영역을 체계적으로 학습할 수 있다는 점이 가장 큰 매력입니다.
저는 최근 시계열 금융 데이터 기반으로 단기 가격 변동예측 모델을 만들어본 경험이 있습니다.
협업 과정에서 데이터 기반 설득을 해야 했던 경험
금융 데이터는
AI 기반 금융 솔루션을 개발하는 실무형 데이터 분석가로 성장하는 것입니다.
고급 수학·통계·AI 모델링을 실제 금융 데이터에 적용하는 과정에서 난도가 높을 것이라고 예상합니다.
이 과정에서 고급 AI 기술과 금융도메인 지식을 체계적으로 결합해, 금융 데이터 기반 솔루션을 만드는 실무형 AI 인재로 성장하고 싶습니다.
|
|
|
 |
본과정을 통해 어떤 전문가로 성장하고 싶은가
특히 금융산업은 빅데이터·AI·핀테크의 융합으로 가장 빠르고 깊은 변화를 겪는 분야이며, 거래 패턴 분석·리스크 모델링·고객 맞춤형 서비스·AI 기반 투자전략 등 데이터 활용 방식이 기업의 경쟁력을 결정합니다.
서울대학교 과정은 '현업 문제 해결능력' 중심으로 설계되어 있으며, 금융 데이터·AI 모델링·핀테크 서비스 개발·클라우드 기반 파이프라인 등 전 영역을 체계적으로 학습할 수 있다는 점이 가장 큰 매력입니다.
저는 이 과정을 통해 딥러닝·머신러닝·금융 알고리즘·데이터 엔지니어링 기술을 깊이 있게 확장하고, 궁극적으로는 금융 데이터 기반 문제 해결 전문가로 성장하고자 지원했습니다.
저는 파이썬 기반 데이터 전 처리, 시계열 분석, 비정형 데이터 분석, 머신러닝 모델 구축 경험을 보유하고 있으며 실제로 Kaggle·Dacon 프로젝트를 통해 금융·산업데이터를 다뤄본 경험이 있습니다.
단순히 코딩만 하는 인재가 아니라 금융시스템·리스크 구조·핀테크 서비스의 비즈니스 모델을 이해하며 기술을 적용할 수 있는 사람으로 성장하고자 합니다.
대출심사=전통적 방식에서 신용평가 데이터·거래 패턴 분석 기반으로 전환
저는 최근 시계열 금융 데이터 기반으로 단기 가격 변동예측 모델을 만들어본 경험이 있습니다.
이동평균·거래량 변화·변동성 인덱스 등 다양한 Featu re를 조합하고 LSTM 모델과 XGBoost 모델을 비교했습니다.
그 과정에서 모델이 과적합되기 쉬운 금융 데이터 특성, Featu re 선택에 따른 성능편차, 데이터 기간 설정의 중요성을 직접 체감하며 금융 데이터 모델링의 어려움과 재미를 동시에 느꼈습니다.
특히 금융 데이터는 노이즈가 많기 때문에 모델의 구조적 개선보다 Featu reEngineering이 성능을 크게 좌우했습니다.
대학 프로젝트에서 학생 학습 데이터를 기반으로 학업 리스크를 예측하는 모델을 개발했습니다.
금융 데이터는
AI 기반 금융 솔루션을 개발하는 실무형 데이터 분석가로 성장하는 것입니다.
기술 중심이 아닌, 기술과 금융비즈니스의 연결점을 이해하는 데이터 전문가로 성장하고 싶습니다.
금융사의 실제 문제를 해결하는 엔지니어·분석가로 성장하는 것이 최종 목표입니다.
저는 기술만 아는 사람이 아니라, 문제를 '정의하고 구조화하고 해결하는 과정' 전체를 설계할 수 있는 사람입니다.
저는 데이터를 통해 문제를 해석하고, 기술로 해결하는 사람입니다. |
 |
데이터, 금융, ai, 기반, 모델, 과정, 핀, 테크, 기술, 분석, 러닝, 모델링, 해결, 경험, 형, 문제, 프로젝트, 학습, 서비스, 실제 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2025.12.08
6페이지
