학사안내
교과목 소개
데이터사이언스대학원 교과목 소개
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS101 | 데이터사이언스개론 (Introduction to Data Science) |
1.5/1.5 | 양학기 | 전공필수 |
|
데이터사이언스 대학원에서 배우게 될 내용 전반에 대해 살펴본다. 빅데이터 역사, 개념, 핵심요소 및 데이터 분석과정에 대해 알아보고 빅데이터와 인공지능간의 관계에 대해서도 살펴본다. 빅데이터 현업 활용 사례 및 전략에 대해서도 알아본다.
|
||||
|
This course provides an overview of data science from a wide standpoint. The history of data science, concepts, core elements, analysis process with big data and the relationship between big data and artificial intelligence will be taught. This course also covers a variety of best practices in data science area.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS102 | 데이터분석을위한통계 (Statistics for Data Science) |
3.0/3.0 | 양학기 | 전공선택 |
|
이 과목에서는 데이터 분석을 위한 통계학의 기본 개념을 이해하고, 여러 종류의 데이터들을 분석할 수 있는 기본적인 통계적인 방법들을 학습한다. R 프로그램 실습을 통해 실제 데이터 분석에 적용하는 방법을 익힌다. 세부적인 주제로는 확률의 개념, 확률 분포, 통계적 추론, 회귀 분석, 범주형 자료분석 등을 다룬다.
|
||||
|
In this course, students understand the basic concepts of statistics for data analysis and learn basic statistical methods to analyze various types of data. Also, students learn how to conduct data analysis through R program practice. Detailed topics include the concept of probability, probability distribution, statistical inference, regression analysis, and categorical data analysis.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS103 | 데이터사이언스프로그래밍 (Data Science Programming) |
3.0/3.0 | 양학기 | 전공선택 |
|
데이터분석을 위한 파이썬 프로그래밍에 대해 학습한다. 프로그래밍 기초부터 데이터 분석에 자주 활용되는 라이브러리(Numpy, Pandas 등)들을 학습하며 데이터 분석 프로그래밍의 기초를 다진다.
|
||||
|
In this course students learn Python programming for data analysis. From the fundamentals of programming, students will also learn the essential libraries (Numpy, Pandas, and so on) for data analytics.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS104 | 머신러닝원리와응용 (Applied Machine Learning) |
3.0/3.0 | 양학기 | 전공선택 |
|
머신러닝의 기본 개념과 원리에 대해 살펴보고 실제 현장에서 어떻게 응용되고 있는지 살펴본다. 다양한 머신러닝 기법들의 이론들을 학습하고 각 기법들을 실제로 적용해보는 실습들을 병행한다.
|
||||
|
This course provides the fundamental concepts and principles of machine learning and real world applications where the machine learning approaches are applied. Along with programming practices, students learn how machine learning techniques are applied to data analysis.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS105 | 데이터베이스와빅데이터컴퓨팅 (Database and big data computing) |
3.0/3.0 | 2학기 | 전공선택 |
|
본 강의는 크게 두 개의 파트로 구성되어 있다. 첫 번째 파트에서는 기업정보시스템의 핵심요소인 데이터베이스에 관한 실무적 이해와 개발 방법론을 강의와 실습을 병행하여 학습한다. 두 번째 파트에서는 앞에서 다룬 데이터베이스 기술이 진화하여 기업의 빅데이터 인프라 구조가 되기까지의 데이터기술의 진화과정에 대한 설명과 함께 빅데이터 기반의 혁신을 주도하고 있는 GE, 넷플릭스와 월마트 같은 글로벌 기업의 사례들을 살펴본다. 그리고 빅데이터 컴퓨팅의 핵심 기술인 NO SQL (Not Only SQL) 시스템에 대해서 학습한다. 마지막으로 빅데이터 전략을 도출하기 위한 방법론에 대해 학습하고, 방법론을 적용하여 기말 프로젝트를 수행한다.
|
||||
|
In the first part of class, students understand practical perspectives in developing a database system, which is a core element of corporate information system. Then students study the evolution of data-related technology as well as examples of global companies such as GE, Netflix and Wal-Mart leading big data-based innovation. Students also learn about the NO SQL (Not Only SQL) system, which is the core technology of big data computing. Finally, students learn the methodology for deriving a big data strategy, and apply the methodology to carry out the final project.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS106 | 텍스트마이닝 (Text Mining) |
3.0/3.0 | 2학기 | 전공선택 |
|
본 과목에서는 다음 네 가지 항목에 대해 학습한다.
1) 문자열 처리, 검색, 변형, 저장 등의 기초적인 텍스트 처리 기술과 html, xml, json, 엑셀, txt 등등 다양한 컴퓨터 자원을 활용, 그리고 무한정 웹 자원을 크롤링 하는 기술.
2) 통계 및 시각화 기술을 활용한 마이닝된 텍스트 자원 분석.
3) 클러스터링, 토픽모델링, 유사어 분석 등등과 같은 기계학습 및 정보검색 이론 학습 및 실습.
4) 감정분석, 개체명 인식, 의미 중의성 해소 등의 자연어처리 기반 기술을 활용한 인간 언어의 구조, 의미, 의도 분석을 통한 텍스트의 심층적 분석.
|
||||
|
This course deals with the following four subjects.
1) Basic text processing technology such as text processing, searching, transformation, and storage, utilizing various computer resources such as html, xml, json, excel, txt, and crawling web resources.
2) Analysis of text resources using statistics and visualization techniques.
3) Machine learning and information retrieval theory, such as clustering, topic modeling, and synonym analysis.
4) In-depth analysis of text through analysis of the structure, meaning, and intention of human language using natural language processing-based technologies such as sentiment analysis, object name recognition, and semantic ambiguity resolution.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS107 | 고급통계분석 (Advanced Statistics for Data Science) |
3.0/3.0 | 2학기 | 전공선택 |
|
이 과목에서는 데이터 분석을 위한 다양한 자료형태에서의 통계적 방법론을 습득한다. 비 정규분포에 대한 평균 검정에 대한 비모수적 방법론과 범주형 자료에 대한 통계적 방법론을 배운다. 또한 다변량 데이터에서의 여러 통계 기법들을 학습하고, 마지막으로 Monte Carlo Markov Chain을 포함한 베이지안 통계적 방법 기법을 이용하여 자료를 어떻게 분석하는 지 배운다.
|
||||
|
In this course, students learn statistical methodologies in various data types for data analysis. Nonparametric methods for non-normal distribution and statistical methods for categorical data will be learned. In addition, students learn various statistical techniques for multivariate data, and finally learn how to analyze data using Bayesian statistical methods including Monte Carlo Markov Chain.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS108 | 딥러닝 (Deep Learning) |
3.0/3.0 | 1학기 | 전공선택 |
|
본 교과목에서는 기계학습 알고리즘 중 가장 큰 주목을 받고 있는 딥러닝 알고리즘에 대해 학습한다. 신경망(Neural Networks) 알고리즘에서 시작해 심층신경망(Deep Neural Networks) 알고리즘으로 확장하여 딥러닝의 개념과 철학, 성공 원인 등을 학습한다. 성공적인 구조로 알려진 Convolutional Neural Networks, Recurrent Neural Networks (including Long Short-Term Memory), Autoencoder 등을 학습한다. 최근 주목받고 있는 새로운 모델들인 Attention, Generative Adversarial Networks, Diffusion 등과 설명 가능한 인공지능에 대해서 학습한다. Python과 Tensorflow (with Keras)를 이용하여 딥러닝 모델을 직접 활용해보는 기회를 갖는다.
|
||||
|
In this course, we learn about deep learning algorithm, which is receiving the most attention among machine learning algorithms. Beginning with neural networks algorithms and expanding to deep neural networks algorithms, learn the concept, philosophy, and success reasons of deep learning. Learn Convolutional Neural Networks, Recurrent Neural Networks (including Long Short-Term Memory), Autoencoder, etc. known as successful structures. Students learn about explainable artificial intelligence, such as attention, generative adversarial networks, and diffusion, which are new models that have recently attracted attention. Students will have the opportunity to directly use deep learning models using Python and Tensorflow (with Keras).
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS109 | 데이터사이언스응용전략I (Data Science Applications I) |
3.0/3.0 | 양학기 | 전공선택 |
|
데이터사이언스 응용전략 과목에서는 데이터사이언티스트가 기업에 근무하면서 마주하고 결정해야 하는 과업들을 수행하는데 필요한 지식과 정보를 학습한다. 기업에서는 데이터분석 업무를 인공지능, 주로 ML(머신런닝)을 사용하여 수행하는데, 이는 동시에 인공지능에게 학습데이터를 공급하는 것이 된다. 이를 DSML(Data Science based on Machine Learning)이라고 부른다. 응용전략Ⅰ에서는 DSML 프로세스와 산업 별 활용사례를 학습한다. 전반부에서는 DSML의 개념을 이해하고 DSML을 사용하기 위한 프로세스 및 프로세스 사이클을, 후반부에서는 DSML의 다양한 활용사례를 산업별로 학습한다. 이 수업을 통해, DSML의 최신 동향을 이해하고, 가까운 미래에 예상되는 DSML 방향에 대해 준비하여, 기업에서 DSML 관련 업무에 참여할 때, 기획에 필요한 지식과 정보를 획득하는 것을 목표로 한다.
|
||||
|
In the Data Science Applications courses, students will acquire knowledge and skills required to make informed decisions when addressing the challenges faced by data scientists in real-world enterprise settings. Many organizations today leverage Artificial Intelligence (AI), particularly Machine Learning (ML), to enhance their data analytics initiatives. Concurrently, these initiatives generate training data for ML models. It is often referred to as DSML (Data Science based on Machine Learning). Data Science Applications Ⅰ focuses on introducing the fundamental concepts and processes of DSML while exploring its practical applications across various industries. Students will first gain an understanding of DSML definitions, Processes, and Process Cycle, followed by an examination of real-world use cases in different industry sectors. This course highlights leading-edge practices and prepares students to strategize DSML initiatives by providing them with the knowledge required to design and plan DSML.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS110 | 데이터사이언스핵심기술I (Data Science Core Technologies I) |
3.0/3.0 | 양학기 | 전공선택 |
|
본 강의에서는 데이터사이언스 핵심기술 중 하나인 신뢰할 수 있는 인공지능(trustworthy AI) 기술에 대해 다룬다. 인공지능 신뢰성은 예측모델 정확성(accuracy)을 확보하는 데에서 더 나아가 공정성(fairness), 재현성(reproducibility), 안정성(safety), 프라이버시(privacy) 등을 확보하는 기법이다. 강의에서는 이를 위한 대표 기법 알고리즘 공정성(algorithmic fairness), 도메인 일반화(domain generalizagtion), 연합학습(federated learning), 적대적 공격 및 방어(adversarial attack & defense) 기법을 학습한다. 또한, 실제 산업 응용 사례를 살펴보며 실무 적용 전략을 학습한다.
|
||||
|
This course focuses on trustworthy AI, one of the core technologies in data science. Trustworthy AI goes beyond ensuring the accuracy of predictive models to encompass methodologies that achieve fairness, reproducibility, safety, and privacy. The course covers key techniques for achieving these objectives, including algorithmic fairness, domain generalization, adversarial attack and defense, and federated learning methods. In addition, the course examines case studies to provide practical strategies for implementing trustworthy AI methods in real-world industrial applications.
|
||||
| IDS111 | 빅데이터시각화 (Big data Visualization) |
3.0/3.0 | 1학기 | 전공선택 |
|
빅데이터를 자유롭게 정리하고 시각화하여 자료를 탐색할 수 있는 능력을 기르고, 탐색한 자료로부터 의미 있는 결과를 도출할 수 있도록 한다.
|
||||
|
In this course, students learn how to organize and visualize big data, develop the ability to explore data and derive meaningful results from analyzing data.
|
||||
| IDS112 | 데이터사이언스핵심기술II (Data Science Core Technologies II) |
3.0/3.0 | 양학기 | 전공선택 |
|
||||
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS113 | 데이터사이언스응용전략II (Data Science Applications II) |
3.0/3.0 | 양학기 | 전공선택 |
|
데이터사이언스 응용전략 과목에서는 데이터사이언티스트가 기업에 근무하면서 마주하고 결정해야 하는 과업들을 수행하는데 필요한 지식과 정보를 학습한다. 기업에서는 데이터분석 업무를 인공지능, 주로 ML(머신런닝)을 사용하여 수행하는데, 이는 동시에 인공지능에게 학습데이터를 공급하는 것이 된다. 이를 DSML(Data Science based on Machine Learning)이라고 부른다. 응용전략Ⅱ에서는 기업에 DSML을 구축하고 운용하는 내용을 학습한다. 전반부에서는 DSML 구축을 위해 필요한 다양한 인프라스트럭처를, 후반부에서는 기업에 성공적으로 DSML을 구축 및 운용하기 위한 가치평가와 인력 및 조직 설계에 대해 학습한다. 이 수업을 통해, DSML의 최신 동향을 이해하고, 가까운 미래에 예상되는 DSML 방향에 대해 준비하여, 기업에서 DSML 관련 업무에 참여할 때, 구축 및 운용에 필요한 지식과 정보를 획득하는 것을 목표로 한다. |
||||
|
In the Data Science Applications courses, students will acquire knowledge and skills required to make informed decisions when addressing the challenges faced by data scientists in real-world enterprise settings. Many organizations today leverage Artificial Intelligence (AI), particularly Machine Learning (ML), to enhance their data analytics initiatives. Concurrently, these initiatives generate training data for ML models. It is often referred to as DSML (Data Science based on Machine Learning). Data Science Applications Ⅱ focuses on the implementation and operational management of DSML within enterprises. Students will first examine the technical infrastructures required for implementing DSML, followed by practices for valuation and people management to ensure sustainable operations. This course highlights leading-edge practices and prepares students to strategize DSML initiatives by providing them with the knowledge required to implement and operate DSML. |
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS801 | 데이터사이언스초청세미나 (Data Science Seminar) |
1.5/1.5 | 양학기 | 전공필수 |
|
본 초청세미나에서는 데이터사이언스 분야의 최고 전문가들로부터 최신 데이터사이언스 동향 및 이슈들을 접하고, 이를 통해 실제 현장에서 요구되는 데이터 분석 관련 실제적 지식과 실무 감각을 배양하는 것을 목표로 한다.
|
||||
|
In this invitational seminar, students can experience the latest data science trends and issues delivered by top experts in the data science field.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS802 | 데이터사이언스특수논제 (Data Science Special Issues) |
3.0/3.0 | 양학기 | 전공선택 |
|
본 강의에서는 데이터사이언스 및 인공지능 분야의 핵심 연구 및 최신 연구 동향을 파악하고 이를 기반으로 각자의 관심 연구 주제에 대해 소논문을 작성하는 것을 목표로 한다.
|
||||
|
This course aims to explore the core research and latest trends in the fields of AI and data science. Building on this, students will compose a concise thesis on each individual's area of interest.
|
||||
| 학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
|---|---|---|---|---|
| IDS901 | 데이터사이언스캡스톤디자인 (Data Science Capstone Design) |
3.0/3.0 | 양학기 | 전공필수 |
|
데이터사이언스 대학원에서 배운 내용과 이해를 토대로 캡스톤 과제를 수행한다. 문제 정의에서부터 체계적인 분석 과정, 적절한 방법론을 활용한 문제 해결, 그리고 인사이트 도출에 이르기까지 데이터사이언스 프로젝트의 전반적인 프로세스를 경험한다.
|
||||
|
This course requires students to synthesize all of their knowledge and experiences to successfully complete a data science project. Students will describe the problem in a specific domain and address it using relevant approaches, deriving valuable insights from the outcomes.
|
||||
코어 교과목
딥러닝, 데이터베이스시스템, 고급통계분석, 텍스트마이닝과자연어처리, 빅데이터시각화, 빅데이터와사회적이슈 등
응용전략 교과목
데이터사이언스응용전략I, II
핵심기술 교과목
데이터사이언스핵심응용I, II