| 교과목 코드 |
교과목명 |
학점 |
이수학년 |
이수구분 |
| 04756 |
기초통계학(1) |
3 |
1 |
전공기초 |
|
통계학을 전공하는 1학년 학생들이 기초적으로 숙지하고 이해하여야 하는 통계학의 필수적인 기초 개념 및 이론에 대하여 배운다. |
| 04757 |
기초통계학(2) |
3 |
1 |
전공기초 |
|
통계적 추론[추정, 가설검정]의 원리와 개념을 습득하고, 응용통계학의 주요 과목인 실험계획법, 회귀분석,상관분석, 범주형 자료분석의 기본 개념에 대하여 학습한다. |
| 21848 |
통계수학(1) |
3 |
1 |
전공기초 |
|
함수, 극한, 연속, 미분과 적분 등 미적분의 기초 개념을 다루며, 이를 바탕으로 확률과 통계 이론을 이해하는 데 필요한 수학적 기초를 쌓는 과목이다. |
| 21849 |
통계수학(2) |
3 |
1 |
전공기초 |
|
통계 분석과 데이터 과학의 기초가 되는 선형대수의 개념을 중심으로, 행렬과 벡터, 행렬 연산, 역행렬, 고유값 등의 이론과 응용을 학습하는 과목이다. |
| 56097 |
AI를 위한 통계학 |
3 |
1 |
전공 |
|
본 교과목에서는 통계학의 기본 모형인 선형 회귀모형, 로지스틱 모형, 확률분포와 연결하여 딥러닝의 기초적인 내용을 학습한다. 구체적으로, 머신러닝, 인공신경망, 선형 회귀모형, 최적화 방법, 로지스틱 회귀모형, 딥러닝 모형의 구조와 학습 과정 등을 다룬다. 또한, 합성곱신경망, 오토인코더와 GAN, 순환신경망에 대해서도 다룬다. 마지막으로, 자연어처리에 주로 활용되는 트랜스포머, BERT 등에 대해서도 간략하게 다루게 된다. |
| 11823 |
수리통계학(1) |
3 |
2 |
전공필수 |
|
통계이론의 기본이 되는 확률론의 여러 가지 분포이론 및 극한분포 등에 관해 연구한다. |
| 11825 |
수리통계학(2) |
3 |
2 |
전공필수 |
|
수리통계학의 추론 부분으로 추정과 그에 따른 여러 가지 조건 및 여러 가지 형태의 검정방법에 대한 논한다. |
| 25039 |
회귀분석 |
3 |
2 |
전공필수 |
|
회귀분석은 독립변수들과 종속변수 사이의 함수 관계를 데이터에 의하여 규명하는 방법으로 통계학에서 실제 자료를 분석하는데 있어 가장 기본이 되는 분석방법이다. 본 과목에서는 단순회귀, 다중회귀, 회귀진단, 가변수의 사용, 변수의 변환, 다중공선성, 로지스틱 회귀모형 등을 다루며 R을 이용하여 다양한 데이터를 실제로 분석해 보는 연습을 한다. |
| 36450 |
응용확률론 |
3 |
2 |
전공 |
|
기본적인 확률이론 및 조건부 확률, 조건부 기대값에 대하여 학습하고, 마코프연쇄 등의 기본적 내용을 다룬다. |
| 53994 |
통계학습개론 |
3 |
2 |
전공 |
|
통계적 학습 이론과 주요 알고리즘을 학습하며, 선형 회귀, 분류, 모델 선택, 차원 축소 등 다양한 기법을 통해 현대 데이터 분석과 예측의 기본 원리를 이해하는 것을 목표로 한다. |
| 56092 |
AI를 위한 프로그래밍 |
3 |
2 |
전공 |
|
Python을 이용하여 데이터 전처리, 데이터 시각화, 데이터 분석을 학습한다. |
| 56091 |
통계프로그래밍 |
3 |
2 |
전공 |
|
다양한 형태의 자료를 분석하기 위한 통계 모형 및 기법에 관해 소개하고 R을 이용하여 실제 자료를 분석할 수 있는 능력을 키우고자 한다. |
| 09488 |
비모수통계학 |
3 |
3 |
전공 |
|
모집단에 대한 구체적인 분포함수를 가정하는 것이 무리일때 특정 형태의 분포함수를 가정하지 않는 통계적 방법론인 비모수통계학에 대한 교과목이다. |
|
통계계산론 |
3 |
3 |
전공 |
|
이 교과목은 랜덤 변수 및 프로세스 생성, 마코프 체인 몬테카를로(MCMC), 최적화 및 확률 밀도 추정 등 핵심 통계 계산 방법을 다루어, 통계 모델링과 데이터 분석에 필수적인 컴퓨팅 역량을 함양한다. |
| 08509 |
범주형자료분석론 |
3 |
3 |
전공 |
|
범주형 자료의 특성과 분석 방법을 배우는 과목으로, 교차분석, 로지스틱 회귀, 로짓 및 프로빗 모델 등의 내용을 다룬다. 사회과학, 의학, 산업 등 다양한 분야의 범주형 데이터 분석에 활용되는 기법들을 이해하고 적용하는 것이 목표이다. |
| 05257 |
다변량통계분석 |
3 |
3 |
전공필수 |
|
이 교과목은 다변량 정규분포, 정규 평균 벡터에 대한 검정, 다변량 회귀분석, 다변량 분산분석(MANOVA), 선형 판별분석(LDA)과 분류 분석, 주성분분석(PCA), 요인분석, 군집분석, 그리고 일부 그래픽 기법들을 포함한 다변량 통계 방법의 기본 개념, 이론, 응용을 소개한다. |
| 56095 |
보험통계학 |
3 |
3 |
전공 |
|
이 교과목은 생명보험을 위한 계리수리의 기초를 소개한다. 생명보험의 개요, 생존 모형, 생명표 및 그 활용, 보험금 지급, 연금 지급, 보험료 계산, 계약 가치 평가 등의 주제를 다룬다. |
| 53992 |
실험계획법 |
3 |
3 |
전공 |
|
실험을 효율적으로 설계하고 분석하는 방법을 배우는 과목으로, 요인설계, 분산분석, 블록설계, 교호작용 분석 등의 내용을 다룬다. 다양한 실험 상황에서 통계적 원리를 적용하여 신뢰성 있고 해석력 있는 결론을 도출하는 능력을 기르는 것을 목표로 한다. |
| 21870 |
통계적품질관리 |
3 |
3 |
전공 |
|
현대의 산업사회에서 소비자의 품질의식과 기업의 품질관리에 대한 인식이 날로 높아져감에 따라 품질관리는 새삼 강조할 필요도 없이 널리 사용되고 있다. 본 강의는 품질관리의 중요한 도구로서 기여하고 있는 통계적 공정관리에 대한 교과목이다. |
|
데이터전처리와 머신러닝 |
3 |
3 |
전공 |
|
이 교과목은 Python을 이용한 데이터 전처리와 머신러닝 이론, scikit-learn을 활용한 실습을 함께 학습한다. 매 주차 1회의 이론수업과 1회의 실습위주 수업(google colab 활용)이 운영된다. |
| 57128 |
AI를 위한 딥러닝 |
3 |
3 |
전공 |
|
이 교과목은 실제 비즈니스 현장에서 데이터 사이언티스트로서 필요한 실무 지식을 학생들에게 제공한다. 수업에서는 GitHub, Markdown, 딥러닝에 대해 학습합니다. |
| 10576 |
생물통계학 |
3 |
4 |
전공 |
|
이 교과목은 의학 연구에서 사용되는 연구 설계별 통계 분석 방법과 임상시험 설계를 소개한다. 주요 내용으로는 코호트 연구, 환자-대조군 연구, 제1상·2상·3상 임상시험, 표본 크기와 검정력 계산, 그리고 생존분석에 대한 간략한 소개를 포함한다. |
| 53991 |
시계열분석론 |
3 |
4 |
전공 |
|
이 교과목은 시계열 자료의 특성과 분석 기법을 학습하는 과목으로, 자기상관, 정상성, 이동평균 및 자기회귀 모형(ARMA), 예측 기법 등을 다룬다. 경제, 금융, 기후 등 다양한 분야의 시계열 데이터를 분석하고 해석하는 능력을 기르는 것을 목표로 한다. |
| 34340 |
베이지안통계학 |
3 |
4 |
전공 |
|
이 교과목은 베이지안 이론과 방법에 대한 입문 과목으로, 구현의 세부 사항보다는 개념적 기초에 중점을 둔다. 수업에서는 베이지안 추론의 기원과 함께 빈도주의(Frequentist) 방법과 베이지안 방법의 본질적인 차이를 소개한다. |
| 56093 |
데이터마이닝 |
3 |
4 |
전공 |
|
이 교과목은 분류 및 예측을 위한 지도학습과 군집 및 차원 축소를 위한 비지도학습 등 다양한 통계적 학습 방법을 다룬다. R의 caret 패키지와 Python의 scikit-learn 라이브러리를 활용하여 실습을 수행한다. |
| 57130 |
이미지데이터분석을 위한 딥러닝 |
3 |
4 |
전공 |
|
본 교과목에서는 이미지데이터와 딥러닝의 기본원리를 시작으로 신경망을 처음부터 구축하는 방법론에 대하여 학습한다. 구체적으로, 텐서플로를 활용하여 합성곱신경망 모델을 구축하는 방법을 다룬다. 구체적인 예제를 통해 Inception, ResNet 모델 등을 통해 이미지를 분류하고, YOLO, Mask R-CNN, U-Net 등을 통해 특정 객체를 추출하는 방법을 다룬다. 또한, 이미지 생성 및 편집을 위해 GAN과 VAE를 구축하고 동영상 분석을 위해 LSTM을 구축한다. |
| 57131 |
텍스트데이터분석을 위한 딥러닝 |
3 |
4 |
전공 |
|
본 교과목에서는 자연어 처리에 활용되는 개념에 대해서 학습한다. 또한, 자연어 처리 모델 구현을 다룬다. 자연어 처리 문제인 감성분석, 유사도 처리, 챗봇 등과 버트, GPT 등의 모델을 다룬다. 영어 데이터와 한글 데이터를 활용한 문제 해결을 다룬다. |
