LSTM과 시계열 예측

필수 선행 학습 📖

• 파이토치 첫걸음 [1] [2]
• 딥러닝 첫걸음
• 딥러닝 입문 [1]
• RNN에서 LSTM까지

학습 목표

스테이지 1: 기본 LSTM 모델 학습과 검증 코드 복습 및 시계열 예측

이 스테이지에서는 이전 교재인 "RNN에서 LSTM까지"에서 학습한 LSTM의 기본 개념과 구조를 복습하고, 이를 활용하여 실전 시계열 예측을 위한 기초를 다집니다. 주요 코드를 다시 살펴보고, LSTM 모델을 활용한 시계열 예측의 핵심 개념을 점검합니다. 이를 통해 LSTM 모델의 이해도를 높이고, 시계열 예측에 필요한 추가 학습 내용을 파악합니다.

스테이지 2: 시계열 교차검증 (TimeSeries Split & Sliding Window Split)

이 스테이지에서는 시계열 데이터의 특성을 고려한 교차 검증 방법을 학습하고, 이를 LSTM 모델에 적용하는 방법을 배웁니다. 시계열 데이터의 시간 의존성을 반영한 검증 방법의 필요성을 이해하고, 두 가지 대표적인 시계열 교차 검증 방법인 TimeSeriesSplit과 Sliding Window를 실습을 통해 익힙니다. 이를 통해 모델의 일반화 성능을 평가하고, 최적의 모델을 구성하는 방법을 학습합니다.

스테이지 3: 심층(Stacked) LSTM과 양방향(Bidirectional) LSTM

이 스테이지에서는 심층 LSTM(즉, Stacked LSTM)과 양방향 LSTM(Bidirectional LSTM)의 개념을 이해하고, 이를 시계열 데이터 예측에 적용하는 방법을 학습합니다. Stacked LSTM과 Bidirectional LSTM의 구조와 장단점을 비교하며, PyTorch를 이용해 이러한 모델들을 구현하고 학습하는 과정을 실습합니다.

스테이지 4: 하이퍼 파라미터 튜닝과 실험 관리

스테이지 4에서는 딥러닝 모델의 성능 최적화를 위해 하이퍼 파라미터 튜닝과 실험 관리를 체계적으로 수행하는 방법을 학습합니다. 이를 통해 다양한 하이퍼 파라미터 조합을 효율적으로 탐색하고, 실험 결과를 일관되게 관리하며 최적의 모델 성능을 도출하는 능력을 배우게 됩니다. YAML 설정 파일을 활용하여 실험 설정을 체계적으로 관리하고, EasyDict와 Python의 logging 모듈을 사용하여 실험의 재현성을 높이며, 각 실험의 결과를 기록하고 시각화하는 방법을 실습합니다.

스테이지 5: LSTM을 이용한 다중 스텝 예측(Multi-Step Prediction)

스테이지 5에서는 LSTM(Long Short-Term Memory) 모델을 사용하여 다중 스텝 예측(Multi-Step Prediction)을 수행하는 방법을 학습합니다. 여기서는 기존의 단일 스텝 예측을 넘어, 한 번에 여러 미래 시점을 예측하는 문제를 다룹니다. 이를 통해 보다 현실적이고 실용적인 시계열 예측을 수행할 수 있게 됩니다.

다양한 예측 방법론을 소개하며, 다중 스텝 예측을 위한 모델 구조와 학습 과정을 살펴봅니다. 특히, 다중 스텝 예측을 위해 LSTM 모델의 출력 레이어를 조정하고, 재귀적 예측 방법과 인코더-디코더 구조를 비교합니다. 또한, YAML 설정 파일을 통해 실험 설정을 관리하고, 여러 하이퍼파라미터 조합을 실험하여 최적의 모델을 찾는 과정을 배웁니다.