연세대학교 데이터사이언스연구소

해당 지도교수 확인서에 사인을 받고 필히 pdf 양식으로 첨부해주시기 바랍니다.확인서 파일에 오류가 있거나, pdf 파일이 아닌 워드 등 다른 파일이거나, 사인이 누락되었을 경우에는 사전 통지없이 수강 신청이 최후순위로 밀려 수강 신청이 불가능함에 유의해주시기 바랍니다.유의 사항- 통계특강 예약시 5지망까지의 특강 신청이 가능하게 보이지만,  3지망까지의 신청만을 반영하여 배정됩니다.

2025년 봄학기 통계 특강 관련하여 다음 유의사항 수강신청 전 반드시 확인 부탁드립니다.▶ 수강신청 가능 기간 안내- 신청 기간: 4/7(월) 오전 10시 ~ 4/16(수) 오후 5시- 해당 기간 내에 신청하신 분들에 한해서만 유효한 신청으로 인정합니다.▶수강신청 시 유의사항- 각 강좌는 오전, 오후로 나뉘어져 있으며, 각 파트는 4시간으로 하루에 총 8시간 강의 입니다.- 개발 파트를 선택할 수는 없으며, 두 파트를 묶어서 수강 신청합니다.- 교내 소속임을 확인해야 하기에, 학교 메일로만 신청 가능합니다.- 메일 인증이 되지 않으신 회원은 신청 불가하기에 그럴 경우 공지사항 (회원 가입 시 인증 메일 받지 못하신 사용자 분 필독) 을 참조 부탁드립니다.- 1인당 최대 3개 특강 신청 (중복 선택 불가) 할 수 있으며, 1지망은 반드시 선택해야 합니다.  - 통계특강 예약시 5지망까지의 특강 신청이 가능하게 보이지만,  3지망까지의 신청만을 반영하여 배정됩니다.- 수강 신청 시 지도교수 확인서 (유첨) 을 반드시 첨부해야하며, 신청서에는 지도교수의 직인 또는 서명이 있어야 합니다.(직인 또는 서명이 없거나 지도교수 신청서 자체가 첨부되지 않은 경우 유효한 신청으로 보지 않습니다.)- 신청 시 지도교수 확인서는 pdf로 첨부 바랍니다. (그 외 포맷의 파일은 열리지 않을 수 있습니다.)▶수강신청 이후 일정 안내- 인원 초과 시 지망순 / 선착순의 기준을 따르기에 이를 고려하여 신청 부탁드립니다.- 4/18(금) 오후 5시 전후 이메일을 통해 신청 결과를 통지해드립니다. (신청 시 기입한 메일을 꼭 확인 부탁드립니다.)- 수강 확정 시 연세대학교 데이터사이언스 연구소 (대우관 본관 429호)에 방문하여 강의 자료를 받아가시길 바랍니다.- 본 특강 강의안을 온라인을 통해 파일로 배부하지 않습니다. 강의안 출력물을 연구소에 방문하여 수령하는 것이 원칙입니다.(특강 당일에 방문하지 못했다는 사유로 파일로 강의안을 절대 드리지 않사오니 꼭 배부기간 내에 방문하시어 강의자료 수령 부탁드립니다)​- 모든 강의 자료 배부 예정일은 4/21(월) ~ 4/25(금) 평일 오전 10시 ~ 오후 4시이며 변동 사항 있으면 다시 공지드리겠습니다.(점심시간 오후 12시 ~ 1시에는 배부 진행하지 않습니다.)- 강좌는 비대면 Zoom으로 진행되며 링크는 강의 당일(또는 강의 하루이틀전)에 신청 시 사용한 학교 메일로 송부됩니다.(간혹 스팸 메일함으로 zoom 링크 메일이 분류되는 경우가 있습니다. 문의하시기 전에 스팸 메일함 및 신청하신 메일 주소 기준으로 꼭 확인 바랍니다)▶수강 철회 안내- 수강 배정 받으신 후 개인 사정으로 수강이 어려운 경우 강의일 2일 전까지 yids@yonsei.ac.kr로 수강 철회 요청하셔야 합니다.- 수강 철회 하지 않으시고 당일에 강의에 참석하지 않으신 경우 해당 강좌를 수강한 것으로 간주합니다.- 동일 과목 재수강은 해당 강좌에 잔여 인원이 있을 때만 가능합니다.특강 관련하여 궁금한 점이 있으시다면 yids@yonsei.ac.kr 또는 02-2123-3407로 문의 바랍니다.전화 문의는 평일 오전 10시 ~ 오후 4시까지만 가능합니다.▶ 25년 봄학기 통계/데이터사이언스 특강 심화과정 강좌  강의일강좌강의자 4/26(토)Python을 이용한 딥러닝 심화이기복 교수5/3(토)R을 이용한 생존분석강상욱 교수5/10(토)R을 이용한 네트워크 분석진익훈 교수5/17(토)R(& Chat GPT)를 이용한 계층모형강승호 교수5/24(토)Python을 이용한 양자머신러닝박경덕 교수5/31(토)대규모 기계학습 모델 활용하기손지용 교수6/7(토)인공지능과 인과추론송경우 교수

과목  강의 간략 소개 Python을 이용한 딥러닝 심화본 강의에서는 deep learning 방법의 작동원리와 classification model 및 generative model의 작동원리를 image data와 convolutional neural network를 예제로 들어 다루고, 이를 python을 통해 직접 구현해보고자 한다.먼저는 convolutional neural network을 통한 image classification을 예제로 deep learning 방법의 작동원리를 배우고, 실제로 많이 사용되는 convolutional neural network인 residual network를 python으로 직접 구현하여 image classification을 수행하도록 실습을 진행하고자 한다.다음으로는 generative model 중 variational autoencoder와 generative adversarial network의 작동원리를 배우고, 이를 python으로 직접 구현하여 새로운 image를 생성하는 실습을 하고자 한다. R을 이용한 생존분석먼저 생존분석의 개념에 대해 살펴보고, 단일집단 및 두 집단에 대한 모수적, 비모수적 분석을 살펴보았다. 이후 실습을 통해 생존분석을 경험해 보도록 한다.이후 생존자료의 회귀분석에서 모수적, 비모수적 분석 방법으로 나누어 살펴보고, 생존분석의 딥러닝 적용 사례를 살펴보고 실습을 진행하고자 한다.  R을 이용한 네트워크 분석이 강좌를 통해 네트워크를 분석하기 위한 기본적인 기술통계량 및 네트워크 분석에서 가장 많이 사용하는 세 개의 대표적인 모형, 지수확률그래프모형, 잠재위치모형, 확률과정블락모형애 대해서 학습하고 통계 소프트웨어 R을 이용하여 실제 implementation 하고자 한다.R(& Chat GPT)을이용한 계층모형종속변수와 독립변수 간의 함수적 관계를 추정하는 회귀분석을 독립성 가정이 어긋나는 계층적 자료로 확장시키는 모형에 대한 기본적인 통계적인 성질에 대해 공부하고, 이를 R로 실제 분석하는 실습을 실시하고자 한다. Python을 이용한 양자 머신러닝본 강의에서는 양자컴퓨터 작동원리의 기본 및 수학적 이론, 그리고 데이터분석에 응용 가능한 양자 알고리즘에 대해 안내하였다. 이미지 데이터 분류, 데이터 클러스터링 등의 지도학습과 비지도학습 예제를 다루어 보고자 한다.대규모 기계학습 모델 활용하기본 강의에서는 최근 3년간 급격히 발전하여 놀라울만한 성능을 내는 대규모 기계학습 모델들 (ChatGPT, Dall-E, CLIP)의 핵심 기술요소 개념을 소개하고 python, pytorch 등의 도구를 이용하여 해당 모델들을 활용해보는 실습 시간을 가졌다. 더불어, 이러한 대규모 기계학습 모델 덕분에 가시화되고 있는 No-code ML (코딩 없이 기계학습 모델 활용하고 변형하는 법)에 대해 강의하고자 한다. 인공지능과 인과추론데이터 수의 부족 또는 편향된 데이터 수집 등으로 인하여, 여러 데이터사이언스 및 인공지능 모델들이 충분한 성능을 보이지 못하는 경우가 많이 발생한다. 본 강의에서는, 주어진 데이터가 제한적인 상황에서도, 효과적으로 성능을 내기 위한 대표적인 두 방향인, 데이터증강과 모델앙상블 관련 다양한 알고리즘들의 이론교육과 실습과정을 진행하고자 한다.