통계/데이터사이언스 특강 심화과정 간략 소개
2025.04.01
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.