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 |
본 강의의 전반부는 블록체인의 역할과 구조를 이해하고, 다양한 블록체인 관련 프로젝트를 분석하며 블록체인을 활용한 비즈니스에 대한 인사이트를 발견할 수 있도록 하는 것에 주된 목표가 있다. 이를 위하여 블록체인 기초 이론과 다양한 비즈니스 케이스의 학습 및 솔리디티 프로그래밍과 On-Chain 실습을 수행한다. 이를 통해 블록체인과 스마트 컨트랙트 개념 이해 및 현장에서 발생하는 다양한 비즈니스 실무 지식을 습득하여 블록체인과 연관된 전반적인 역량을 함양할 수 있다. 본 강의의 후반부는 흔히 핀테크로 일컬어지는 새로운 금융서비스업에 대한 학생들의 전반전인 이해를 증진 시키는 것에 목표가 있다. 이를 위해 금융 중개(financial intermediation), 지급결제, 화폐, 등 기존 금융시스템에 대한 전반적인 이해를 도모하고, 이를 바탕으로 digital banking, digital wallet, CBDC 등 새롭게 등장한 금융 서비스들의 개념과 특징을 학습한다. 이를 통해 핀테크 분야에 대한 균형적인 시각을 기를 수 있다.
|
||||
The main goal of the first half of this lecture is to understand the role and structure of blockchain, analyze various blockchain-related projects, and discover insights about business using blockchain. To this end, we will learn basic blockchain theory and various business cases, and perform Solidity programming and On-Chain practice. Through this, you can understand the concept of block chain and smart contract and acquire various business practical knowledge that occurs in the field to develop overall capabilities related to block chain. The second half of this lecture aims to enhance students' overall understanding of the new financial service industry, commonly referred to as fintech. To this end, the overall understanding of the existing financial system, such as financial intermediation, payment and settlement, and currency, is promoted, and based on this, the concepts and characteristics of newly emerging financial services such as digital banking, digital wallet, and CBDC are studied. Through this, you can develop a balanced perspective on the fintech field.
|
학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
---|---|---|---|---|
IDS110 | 데이터사이언스핵심기술I (Data Science Core Technologies I) |
3.0/3.0 | 양학기 | 전공선택 |
시계열데이터는 순차적으로 발생하는 데이터 특성으로 인해 기존의 타 유형의 데이터 분석에 사용되는 기법과 차별되는 특징이 존재한다. 본 과목은 전반부와 후반부 두 파트로 나뉘어져있다. 전반부는 시계열 데이터 분석 파트, 후반부는 순차적 의사결정 파트이다. 본 과목 전반부에서는 이러한 시계열 데이터의 특징을 이해하고 나아가 시계열 데이터를 예측하고 분석하는 기법에 대해서 학습한다. 본 과목 후반부에서는 순차적으로 이뤄져야하는 의사결정 기법 중 하나인 마코프의사결정 및 강화학습 기법을 소개한다.
|
||||
Time series data has characteristics that are differentiated from techniques used in other types of existing data analysis due to the data characteristics that occur sequentially. This course is divided into two parts, the first half and the second half. The first half is a time series data analysis part, and the second half is a sequential decision-making part. In the first half of this course, we understand the characteristics of time series data and learn techniques to predict and analyze time series data. In the second half of this course, Markov decision-making and reinforcement learning techniques, which are one of the decision-making techniques that must be performed sequentially, are introduced.
|
학수번호 | 과목명 | 학점/시간 | 개설학기 | 구분 |
---|---|---|---|---|
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 |
본 과목에서는 기존에 배웠던 데이터사이언스 기법들이 실제 기업 단위의 프로젝트에 적용될 때 필요한 프로세스 및 방법론에 대해 소개하고, 이를 다양한 기업 사례를 통해 학습한다. 또한 실제 데이터사이언스 프로젝트가 진행되기 위해 필요한 인프라, 예상되는 문제점 및 해결방안에 대해 살펴보고, 기업의 환경 변화에 따라 달라지고 있는 데이터사이언스 현장의 변화 또한 살펴본다. 본 과목을 통해 기업의 가치, 조직, 자원을 이해하고, 이를 바탕으로 데이터 분석가를 넘어 데이터 기획자로서의 역량을 확보한다. |
||||
In this course, we explore the processes and methodologies necessary for applying data science techniques to real-world enterprise projects. Through various corporate case studies, students will learn how these techniques are implemented. Additionally, the course examines the infrastructure required for conducting actual data science projects, explores anticipated challenges and their solutions, and observes how the field of data science is evolving in response to changes in corporate environments. Through this course, students will gain an understanding of enterprise values, organization, and resources. This knowledge forms the foundation for securing the skills needed to transition beyond data analysis and into the role of a data strategist within an organization. |
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.
|
딥러닝, 데이터베이스시스템, 고급통계분석, 텍스트마이닝과자연어처리, 빅데이터시각화, 빅데이터와사회적이슈 등
데이터사이언스응용전략I, II
데이터사이언스핵심응용I, II