기초(Base)

데이터과학을 위한 수리적 기초

• 데이터과학과 인공지능 관련 내용을 학습하기 위한 미적분, 선형대수 등에 대해서 학습한다. 단순한 계산이나 이론 보다는 관련 내용 등의 개념을 정확히 이해하는 것을 주된 목표로 한다. 
• Keywords - Calculus, Linear algebra, Vector, Matrix

데이터과학을 위한 기초 확률론

• 데이터는 Random 이며, 데이터 기반의 의사결정을 이해하는 것이 데이터과학을 이해하는 출발점이다. 이를 위해서 반드시 필요한 것이 확률이라는 도구이며, 본 강의에서는 확률변수, 확률분포, 기댓값, 대수의 법칙과 중심극한 정리를 포함한 기초 확률론에 대해 학습한다.
• Keywords - Random variable, Distribution, Expectation, LLN, CLT

데이터과학을 위한 통계학

• 데이터과학과 인공지능의 핵심은 데이터로 부터의 학습이며, 이에 대한 핵심 원리를 제공하는 것이 통계학이다. 통계학은 다양한 데이터 분석방법의 근간을 제공하고 있으며 이를 제대로 이해하는 것은 4차산업 전문가로 성장하는데 필수적이다. 본 강의에서는 표본분포, 추정, 검정 등을 포함한 통계학의 핵심 개념들에 대해 학습한다.
• Keywords - Sampling distribution, Estimation, Hypothesis testing

데이터과학을 위한 기초 프로그래밍

• 프로그래밍은 데이터과학의 한 축을 이루는 중요한 부분이다. 본 강의에서는 Python를 이용한 프로그래밍 방법에 대해 배우고 실습한다. 조건문, 함수 등을 포함한 기본적인 프로그래밍부터 계산적 사고를 훈련하고자 한다. 
• Keywords - Python, Programming, Numpy, Computational Thinking

데이터 가공과 시각화

• 저장된 데이터를 불러와 원하는 대로 가공하는 방법에 대해서 다룬다. 나아가 탐색적 자료분석 등을 통해 데이터가 가지고 있는 정보를 효율적으로 요약하고 시각화 등을 통해 표현하는 방법에 대해서 학습하고자 한다.
• Keywords - Python, Data Wrangling, Pandas, Visualization, Matplotlib

딥러닝의 이해와 실제 I & II

• 데이터과학과 인공지능이 무엇인지 종합적인 관점에서 조망하고, 앞으로 배우게 될 Core 교과목에서 나오는 핵심적인 개념들을 미리 살펴보고자 한다. 또한 4차산업 시대를 살아가기 위한 필수 개념인 데이터 리터러시와 데이터 프라이버시에 대해서도 소개한다.
• Keywords - Data Literacy, Bigdata, Learning Priniciple, Data Privacy

핵심(Core)

통계적 학습의 원리와 이해 I & II

• 인공지능은 데이터를 통해 학습하며, 이를 통계적 학습 (Statistical Learning)이라 한다. 다양한 인공지능 관련 방법론들이 있지만, 이 모든 방법들은 통계적 학습의 기본적인 원리를 공유한다. 최신 방법론들을 학습하기 위한 기본적인 통계적 학습이론에 대해 상세히 학습한다.
• Keywords - Statistical Risk, Bias-Variance Trade off, Regularization

비지도학습의 이해와 활용

• 최근 인공분야의 화두인 생성형 모형은 대표적인 비지도 학습이다. 비지도 학습이 필요한 다양한 분야를 예시하고, 대표적인 비지도 학습 방법에 대해 학습힌다. 나아가 이를 실제 자료분석에 활용할 수 있는 능력을 기르고자 한다.
• Keywords - Unsupervised Learning, Clustering, Graphical Model, Generative Model

딥러닝의 이해와 실제 I & II

• 인공지능 학습의 핵심 역할을 하고 있는 딥러닝 방법론에 대해 학습한다. 딥러닝의 기본적인 작동 원리를 이해하고, Python언어를 기반으로 다양한 실제 문제에 기본적인 딥러닝 기법들을 활용할 수 있는 능력을 기르는 것을 목표로 한다.
• Keywords - Deep Learning, Neural Network, GPU computing, PyTorch

응용데이터분석방법론 I

• 데이터 분석의 가장 기본이 되는 다음의 방법들을 학습한다. 분산분석은 연속형 반응변수와 범주형 설명변수간의 관계를 확인하는 방법으로 실험설계 등에 널리 쓰인다. 교차분석 범주형 변수 간의 연관성을 재는 방법으로 설문지 분석등에 널리 쓰인다. 선형회귀모형고 로지스틱 회귀 모형은 지도학습의 기초를 제공하는 방법으로 기계학습과 딥러닝을 이해하기 위한 핵심 기초이다. 
• Keywords - Analysis of Variance, Linear Regression, Logistic Regression

응용데이터분석방법론 II

• 실제 상황에서 얻어지는 데이터는 교과서에서 보단 데이터와 많이 다르다. 데이터의 형태가 숫자에만 국한되어 있지 않으며, 다양한 방식으로 오염되어 있는 경우가 대부분이다. 본 강의에서는 데이터의 수집단계에서 발생하는 다양한 어려움을 해결하는 통계적 방법들에 대해 다룬다. 
• Keywords - Categorical, Non-Eucleadian, Incomplete, Missing Data

응용데이터분석방법론 III

• (고차원, 불균형, 모형선택) 선형회귀 모형이나 로지스틱 모형은 때때로 데이터 분석의 좋은 출발점이 되는 기본적인 방법이지만, 보다 복잡한 연관관계를 모델링하기에는 한계가 있다. 본 강의에서는 선형회귀 모형이나 로지스틱 모형과 같은 기본 모형을 고차원으로 확장하는 방법에 대해 학습한다. 나아가 불균형 분류나, 모형 선택의 방법에 대해서 다루고자 한다. 
• Keywords - High-dimensional Data, Unbalanced Classification, Model Selection

심화(Advanced)

강화 학습의 이해와 실제 I & II

• 본 과목은 현대 강화학습 방법론을 이해하기 위한 기초 이론과 알고리즘을 학습한다. Bandit 알고리즘부터 시작하여 동적계획법 및 강화학습을 방법론을 소개한다.
• Keywords - Bandit, Dynamic Programming, Reinforcement Learning

자연어처리와 텍스트 자료 분석

• 자연어처리(NLP)는 컴퓨터가 인간의 언어를 이해하고 해석하는 기술이며, 텍스트 데이터 분석은 이러한 언어 데이터에서 유용한 정보를 추출하고 패턴을 식별하는 과정을 의미한다. 이러한 기술들을 활용하여 다양한 텍스트 자료들을 분석하고 처리하는 방법에 대해 다룬다.
• Keywords - Natural Language Processing (NLP), Text Analytics, Machine Learning

시계열자료의 이해와 활용

• 시간의 순서에 따라 수집되는 자료를 시계열 (time-series) 데이터라고 하며, 경영/경제 분야에서 흔히 관찰된다. 최근의 응용에서는 통상적인 경영 /경제 외에도 텍스트 자료와 같이 순차적으로 기록되는 자료를 모두 통칭하는 의미로 시계열 자료를 사용한다. 본 과목에서는 다양한 형태의 시계열 자료를 소개하고, 이를 분석하는 방법을 학습하고 적용해 보고자 한다.
• Keywords - Time series data, Sequential Data, RNN, LSTM

베이지안 학습의 원리와 계산

• 통상적인 학습과 다른 Bayesian 학습은 데이터뿐만 아니라 기존의 알려진 정보를 함께 결합하여 의사결정을 한다. 뿐만 아니라, MCMC나 Variational Inference 등의 계산기법의 발달과 함께 기계학습 분야에서 매우 널리 쓰고 있다. 본 과목에서는 Bayesian 학습과 계산의 기본적인 원리에 대해 학습하고, 이를 다양한 실제 문제에 적용해 보고자 한다.
• Keywords - Bayesian Inference, Posterior Distribution, MCMC, Variational Inference, Uncertainty Quantification

초거대 생성형 인공지능의 이해와 활용

• 최첨단 생성 인공지능 모델의 기본 원리, 그들의 기본 구조, 그리고 인간과 유사한 텍스트, 이미지 및 기타 콘텐츠를 생성하기 위한 훈련 방법에 대해 다룬다. 나아가 이러한 AI 시스템이 다양한 분야에 걸쳐 어떻게 활용되는지 살펴본다.
• Keywords - Generative Al, Deep Learning, Ethical Al Usage

Machine Learning Operations (MLOps) 개론 I & II

• 기계학습 모델의 개발부터 배포, 모니터링, 유지보수에 이르는 전체 생명주기를 효율적으로 관리하는 방법론에 대해 배운다. 또한, 이 과정은 지속 가능하고 확장 가능한 머신 러닝 시스템을 위한 최적의 작업 흐름과 자동화 전략을 실질적으로 적용하는 데 중점을 두고자 한다.
• Keywords - Continuous Integration/Continuous Deployment, Model Monitoring, Automation in ML Lifecycle

응용(Application)

데이터과학 사례연구 I / II

• 실제 세계의 문제를 해결하기 위해 데이터 수집, 처리, 분석 기법이 어떻게 적용되는지 다양한 사례를 통해 배운다. 또한, 이 과정은 데이터 주도 의사결정을 내리는 데 있어 필수적인 통계적 방법론과 머신러닝 알고리즘의 적용에 대해서도 심층적으로 다룬다.
• Keywords - Data Mining, Predictive Analytics, Case Study Methodology

인공지능 사례연구 I / II

• 다양한 산업 분야에서 인공지능 기술이 어떻게 적용되고 있는지 실제 사례를 통해 분석한다. 이 과정에서 인공지능 솔루션의 설계, 구현, 그리고 이로 인한 사회적, 윤리적 영향에 대해 심도 있게 탐구한다.
• Keywords - Al Implementation, Machine Learning Models, Al Ethics

캡스톤 프로젝트 I / II

• 교과과정을 통해 배운 모든 내용들을 직접 활용할 수 있는 현실 문제를 할당 받고, 이를 지도교수와 함께 해결해 나가는 실습형 교육과정이다. 학교에서 배운 내용을 적재적소에 활용할 수 있는 실무형 인재를 양성하여, 졸업과 동시에 4차 산업 현장의 일선에서 활약할 수 있도록 한다.
• Keywords - Problem Solver, Practice, Real Problems