교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
---|---|---|---|---|---|---|---|---|---|
BUS2007 | 투자론 | 3 | 6 | 전공 | 학사 | 1-4 | 경영학과 | 한,영,한 | Yes |
투자대상들의 투자가치를 평가하는 문제를 다룬다. 이를 위해서 자본시장의 기능과 주식, 채권, 옵션 및 선물을 포함한 증권별 투자특성의 분석, 자본 자산 가격결정에 관한 제모형 등을 다루는 현대자본시장 이론 그리고 투자전략 등이 다루어진다. | |||||||||
CHS7003 | 인공지능응용 | 3 | 6 | 전공 | 학사/석사/박사 | 도전학기(대학원) | - | No | |
스탠포드 대학교의 공개 강좌인 cs231n은 이미지 인식과 딥러닝에 대한 가장 유명한 공개 강좌 중 하나이다. 본 수업은 스탠포드 대학교의 공개 강좌 cs231n을 이용하여 Flipped class 방식으로 수업을 진행한다. 본 수업을 수강하기 위해서는 학부 수준의 기본적인 수학 지식(선형대수, 미적분학, 확률/통계)와 기본적인 파이썬 기반의 코딩 능력이 요구된다. 수업에서 진행하는 구체적은 진행방식과 활동은 다음과 같다. 1) On-line 강의(English)를 청취 (학습자 주도) 2) On-line 강의(English) 청취한 내용에 대해 개별 노트 정리 (학습자 주도) 3) On-line 강의(English) 청취한 내용에 대해 QnA 토론 (학습자 주도) 4) QnA 기반의 교수자 주도의 Off-line 강의(Korean) 강의 (교수자 주도) 5) 팀별 보충 발표 (학습자 주도) 매 토픽에 대하여 위에 언급한 1) ~ 5)의 진행방식을 활용하여 학습한다. 평가는 각 활동과 과제, 중간 시험, 기말 프로젝트에 기반하여 절대평가한다. 수업에 다루는 내용은 다음과 같다. - Introduction Image Classification Loss Function & Optimization (Assignment # 1) - Introduction to Neural Networks - Convolutional Neural Networks (Assignment # 2) - Training Neural Networks - Deep Learning Hardware and Software - CNN Architectures-Recurrent Neural Networks (Assignment # 3) - Detection and Segmentation - Generative Models - Visualizing and Understanding - Deep Reinforcement Learning - Final Project. 본 수업은 이미지 인식과 관련한 딥러닝 방법에 대하여 기초부터 응용까지 다루므로 관심이 있는 학생들에게 좋은 기회가 될 것이라 생각한다. | |||||||||
ECO3031 | 금융계량경제학 | 3 | 6 | 전공 | 학사 | 3-4 | 경제학과 | - | No |
본 과목은 금융 시계열 분석의 기본과정 과목으로, 금융 계량 분석에서 쓰이는 중요한 계량경제학모형과 그에 대한 통계적 추론에 대한 분석을 소개한다. 다변량 분석, 자기회귀 이동평균 모형, 조건적 자기회귀 이분산성 모형, 벡터 자기회귀 모형, 확률적 이분산성 모형등을 소개한다. 이론적인 분석이외에 자산 가격이 예측 가능한 가에 대한 분석, 그리고 CAPM, APT 등의 주요 자산 가격 결정 모형 등을 실증적으로 분석하는 것을 본 과정에서 비중있게 다룬다. | |||||||||
ERP4001 | 창의심화탐구 | 3 | 6 | 전공 | 학사/석사 | 교무팀 교육연구 | 한 | Yes | |
이 과목은 교육을 중심으로 하는 연구를 병행하는 교과목으로서, 연구수행능력을 일정 수준 갖춘 학사과정생들을 중심으로 창의적인 아이디어를 도출하고, 학사과정생이 자율적으로 연구할 수 있는 기회를 확대하고자 설계되었다. 학생들은 과학기술 분야를 중심으로 한 인문사회, 문화예술 분야의 융합과 통섭을 기반으로 과학적 탐구력과 창의적 문제해결역량 신장에 적합한 창의 주제 탐구 수행한다. 또한 본 과목은 학제간 융합주제에 대한 교육-탐구설계-수행-논문지도-결과발표에 이르는 전 과정을 포함하고 있다. | |||||||||
ISS3222 | Introduction to Machine Learning | 3 | 6 | 전공 | 학사 | 국제하계대학 | 영 | Yes | |
Covers fundamental concepts for intelligent systems that autonomously learn to perform a task and improve with experience, including problem formulations (e.g., selecting input features and outputs) and learning frameworks (e.g., supervised vs. unsupervised), standard models, methods, computational tools, algorithms and modern techniques, as well as methodologies to evaluate learning ability and to automatically select optimal models. Applications to areas such as computer vision (e.g., characte r and digit recognition), natural language processing (e.g., spam filtering) and robotics (e.g., navigating complex environments) will motivate the coursework and material. | |||||||||
ISS3224 | Data Visualization | 3 | 6 | 전공 | 학사 | 국제하계대학 | 영 | Yes | |
This course explores the field of data visualization. Topics cover the expanse of visualization from data preparation and cleaning to visualization types such as time series, box plots, and violin plots. Included in our study are visualization tools, online interactive visualizations, and other issues related to the display of big data. | |||||||||
ISS3233 | Statistics in Python | 3 | 6 | 전공 | 학사 | 1-4 | 국제하계대학 | 영 | Yes |
This course will cover elementary topics in statistics using Python. The statistics topics include principles of sampling, descriptive statistics, binomial and normal distributions, sampling distributions, point and confidence interval estimation, hypothesis testing, two sample inference, linear regression, and categorical data analysis. Using Python, students will learn basic knowledge in Python programming, data management, data formats and types, statistical graphics and exploratory data analysis, and basic functions for statistical modeling and inference. | |||||||||
ISS3290 | Introduction to Big Data Analysis | 3 | 6 | 전공 | 학사 | 국제하계대학 | 영 | Yes | |
Understand the genesis of Big Data Systems • Understand practical knowledge of Big Data Analysis using Hive, Pig, Sqoop • Provide the student with a detailed understanding of effective behavioral and technical techniques in Cloud Computing on Big Data • Demonstrate knowledge of Big Data in industry and its Architecture • Learn data analysis, modeling and visualization in Big Data systems | |||||||||
MAE2007 | 해석학1 | 3 | 6 | 전공 | 학사 | 2-3 | 수학교육과 | 한,한 | Yes |
미적분학의 기초 및 이론적 배경을 더욱 공고하게 하는 것이 본 교과의 주목적이다. 다루게 될 주요 내용으로는 실수계 및 복소수계의 체계, 수열과 함수의 극한, 함수의 연속성과 연속함수의 성질, 함수의 미분가능성 및 미분가능한 함수의 성질, 리이만 적분에 관한 여러 가지 성질들이다. | |||||||||
MAE2008 | 해석학2 | 3 | 6 | 전공 | 학사 | 2-3 | 수학교육과 | 한 | Yes |
해석학1에 이어, 함수열 및 급수의 수렴, 평등 수렴에 관한 성질, 급수로 정의되는 함수의 미적분, 다변수 함수의 미분, 음함수 정리와 역함수 정리, 중적분에 관한 이론및 거리공간의 성질에 관하여 강의한다. | |||||||||
MAE3013 | 실해석학 | 3 | 6 | 전공 | 학사 | 4 | 수학교육과 | 한 | Yes |
-Measure Theory and Integration : albebra, sigma-algebra, measure, integration, convergece, L^p-space -상위상공간 -해석학을 기반으로 한 문제풀이 중심의 위상수학 -다양한 예제 중심의 위상수학 | |||||||||
SOE3001 | 통계적학습과인공지능 | 3 | 6 | 전공 | 학사 | 3-4 | 경제대학 | 한 | Yes |
이 교과목은 통계적 학습과 인공지능과 관련한 다양한 주제를 다룬다. 인공지능에 사용되는 여러 가지 통계적인 방법 및 모형들에 대한 개념과 기초적인 이론을 학습한다. 현실 자료에 대한 분석 능력과 문제 해결능력을 함양하기 위하여 파이썬 프로그램 및 딥러닝 패키지를 활용하여 실제 자료에 대한 실습을 병행한다. | |||||||||
STA2008 | 통계수학 | 3 | 6 | 전공 | 학사 | 2-3 | 한,한 | Yes | |
통계학을 전공하기 위하여 기본적으로 요구되는 수학의 지식을 다룬다. 특히 벡터와 행렬의 기본적인 연산방법과 여러 가지 형태의 선형방정식들의 해를 구하는 방법, 미적분, 편미분, 중적분들에서 사용되는 기법들을 중점적으로 학습하게 된다. | |||||||||
STA2009 | 통계계산입문 | 3 | 6 | 전공 | 학사 | 2-3 | - | No | |
이 과목에서는 수치선형대수, 수치최적화, 그래픽 기법, 수치근사, 적분 그리고 몬테칼로 기법들에 대한 기초적인 개념을 소개한다. R, SAS 등과 같은 통계패키지 및 프로그램 라이브러리를 사용한 실습을 병행한다. | |||||||||
STA2010 | 회귀분석입문 | 3 | 6 | 전공 | 학사 | 2-3 | 영,한 | Yes | |
선형회귀모형의 기초개념의 소개를 목적으로 하며 단순선형회귀, 최소제곱법, 최소제곱법의 기하학적 해석, 분산분석표와 F 검정, 잔차, 이상값 탐색 및 영향값의 식별 등을 포함한다. | |||||||||
STA2011 | 통계학원론 | 3 | 6 | 전공 | 학사 | 2-3 | 한,한 | Yes | |
이 과목에서는 통계학의 역사 및 통계학적 사고방식과 기본개념들을 강의하게 되며 어떠한 문제에 대한 통계학적인 접근 방법을 다루게 된다. 이에는 평균, 분산, 중앙값 등과 같은 기술통계량과 이들의 확률적인 분포를 설명하는데 사용되는 몇 가지의 중요한 분포들이 소개된다. 또한 통계학개론에서 습득한 기본적인 통계량과 분포들에 대한 지식을 바탕으로 하여 통계적인 추정 및 검정방법들을 다루게 된다. 관심 있는 모수에 대한 점추정, 구간추정 그리고 통계적인 검정에 필요한 가설의 설정요령, 검정통계량의 계산 및 이에 따른 결론도출 과정 등을 학습하게 된다 | |||||||||
STA2014 | 수리통계학입문 | 3 | 6 | 전공 | 학사 | 2-3 | 영 | Yes | |
확률변수의 개념과 여러 확률분포를 다룬다. 분포의 특성과 분포간의 관계를 살펴보면서 현실에 적용되는 기법도 살펴본다. 또한, 확률표본과 표본평균의 분포도 다룬다 | |||||||||
STA2016 | 통계프로그래밍입문 | 3 | 6 | 전공 | 학사 | 2-3 | 영 | Yes | |
본 과목은 통계학분야에서 가장 널리 사용되는 R 프로그램을 통해 컴퓨터 프로그램의 기본적인 논리와 문법들을 소개한다. 이를 위한 첫 번째 단계로 먼저 R을 소개하고 이 단계에서 학생들은 변수를 정의하는 방법, 자료를 불러들이고 저장하는 방법, 자료를 다루는 방법, 여러 가지 Loop를 이용하는 방법, 함수를 만드는 방법 등을 배운다. 본 과목의 두 번째 단계에서는 기초통계를 간략히 소개하고 R을 통하여 기초통계량을 계산하는 방법을 소개하고 함수의 최적화, 미분, 적분등의 수치적 방법을 소개한다. | |||||||||
STA2017 | 행렬대수학 | 3 | 3 | 전공 | 학사 | 2-3 | 한 | Yes | |
본 강좌는 통계학을 공부하는데 절대적으로 필요한 행렬 대수학 및 선형대수 이론을 소개한다. 행렬의 기본 연산(덧셈, 곱셈, trace, transpose)를 소개한뒤 행렬식과 역행렬을 구하는 방법에 대해서 소개한다. 또한 이러한 연산을 통해서 선형방정식의 해를 구하는 일반적인 이론을 소개한다. 이와 더불어 보다 이론적인 공리에 기반한 선형대수 이론을 소개한다. 또한 행렬에 대한 미분 및 행렬식 분해를 통해 심화된 연산을 배운다. 이러한 기초 이론을 바탕으로 통계학에서 많이 쓰이는 분포를 행렬을 통해 유도하고 다중회귀분석에 대하여 간단히 소개한다. | |||||||||
STA3001 | 시계열분석입문 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
정상성, causality, 가역성, 자기상관 이동평균 모형, 예측 등의 시계열에 대한 기본적인 개념들이 소개된다. AR, MA 그리고 ARMA 모형 등을 구축하는 방법들, ARIMA 모형 및 칼만필터, 상태공간 모형들에 대한 기초적인 내용들을 실제 예제들과 더불어 학습한다. | |||||||||
STA3003 | 통계적추론입문 | 3 | 6 | 전공 | 학사 | 3-4 | 영,한 | Yes | |
통계적 의사결정에 필요한 추정과 가설 검정에 대한 기본적인 개념과 이론을 공부한다. 점추정과 구간추정 그리고 고전적인 가설검정에 대한 내용을 실제적인 사료들을 통하여 학습한다. | |||||||||
STA3005 | 베이즈통계입문 | 3 | 6 | 전공 | 학사 | 3-4 | 영 | Yes | |
이 과목에서는 베이즈 통계분석 방법을 소개한다. 공액분포에 대한 소개와 사용 방법에 대하여 다루며 자료분석에서 베이지안 사고의 적용 능력의 배양을 목적으로 한다. | |||||||||
STA3007 | 통계적시뮬레이션 | 3 | 6 | 전공 | 학사 | 3-4 | 영 | Yes | |
이 과목에서는 일양 및 비일양 분포들에서의 무작위수 추출법, 이산 사건 시뮬레이션, 시뮬레이션에서 사용되는 언어들, 시뮬레이션의 설계, 시뮬레이션 결과의 통계적인 분석들을 다루게 된다. 또한 컴퓨터 과학, 엔지니어링, 그리고 O.R.분야에서 통계적인 시스템을 구축하는 분야에의 응용도 다루게 된다. | |||||||||
STA3008 | 다변량통계분석입문 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
다변량 통계분석에 대한 소개를 다룬다. 다변량 자료의 분석과 표현을 위한 통계적인 방법들로 주성분분석, 인자분석, 정준상관분석, 군집분석, 판별분석들에 대한 기본 개념, 다변량 분산분석 등. | |||||||||
STA3010 | 비모수통계입문 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
모집단 분포에 대한 가정이 약하거나 없는 상태에서 모수의 위치, 척도 그리고 독립성 등에 대한 가설 검정 기법들을 다룬다. | |||||||||
STA3011 | 바이오통계입문 | 3 | 6 | 전공 | 학사 | 3-4 | - | No | |
바이오통계 분석에 유용한 통계적인 방법들을 다룬다. 관찰연구와 임의화 임상실험, 생존 및 경시적[다시점] 자료의 분석, 결측치 문제의 해결법 등과 메타분석 등을 포함한다. 암과 에이즈, 심장질환, 정신 의학 등에서 이루어진 최신 연구들과 보건의료분야에서 얻어진 자료들을 사용하여 학습한다. | |||||||||
STA3012 | 범주형자료분석 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
교차상관된 범주형 자료의 분석에 대한 이론과 방법을 소개한다. 분할표에 대한 기술통계량과 추측통계량, 다차원 분할표에 대한 로지스틱회귀, 대수선형모형과 로짓모형, 순서화된 범주형자료에 대한 모형 그리고 최우추정방법과 근사이론 등을 주로 다룬다. | |||||||||
STA3014 | 통계적데이터마이닝 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
최근 기업, 정부, 연구소, 의료계 등을 중심으로 방대한 자료의 수집과 저장이 가능해 지면서 이러한 자료로부터 의사결정 등이 도움이 되는 지식을 추출하는 기법으로서의 데이터마이닝을 강의한다. 포함되는 기법들에는 시장바구니분석, 클러스터링, 링크분석, 의사결정나무, 인공신경망이론 등이 있다. | |||||||||
STA3017 | 생존분석입문 | 3 | 6 | 전공 | 학사 | 3-4 | 영 | Yes | |
시간 및 이벤트 자료의 분석에 사용되는 기법들과 개념들에 대한 소개를 목적으로 하며 중도 절단, 위험률, 생존곡선의 추정과 모수 및 비모수 모형들과 회귀모형 그리고 이와 연관된 회귀진단 등의 내용을 포함한다. | |||||||||
STA3018 | 보험통계 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
보험상품의 요율(보험료율)을 합리적으로 정하고 상품의 내용을 결정하며 연금계획 등을 세우는 과정에 필요한 통계이론 및 기법들을 학습한다. 사망 또는 생존확률, 생명표 등을 계산하는 데 필요한 수리통계학적인 분야와 이러한 통계량들을 바탕으로 보험료율을 구하거나 상품 내용을 결정하는 방법들도 학습한다. |