과목 

 강의 간략 소개

 Python 프로그래밍과 웹크롤링

 Python의 자료형, 조건문, 반복문, 함수, 묘듈을 통한 확장에 대해 안내하며, 웹크롤링 개념 및 사용 방법을 소개한다.  실습을 통해 실제 연구에 도움이 될 수 있도록 안내하고자 한다.

 R(& Chat GPT)를 활용한 

분산분석

이 강의의 주요 목적은 ANOVA(분산 분석)의 기본 개념과 방법론을 깊이 이해하고, 이를 다양한 통계적 가설 검정에 적용할 수 있도록 돕는 것이다. ANOVA는 여러 그룹 간의 평균 차이를 비교하고, 실험 설계 및 연구 데이터 분석에서 자주 사용되는 중요한 통계 기법이다. 본 강의에서는 단일 요인 ANOVA부터 다중 요인 ANOVA 까지 다양한 ANOVA 기법을 다루고, 이를 통해 수강생들은 실험 데이터 분석 및 통계적 결론 도출에 필요한 기본적이고 응용 가능한 기술을 습득하도록 도울 것이다. 

 R(& Chat GPT)을 이용한 

선형 회귀분석

교내 연구자들이 지도학습의 대표적인 모형인 선형회귀모형을 이해하고 실제 연구에 사용될 수 있도록 이론과 실습을 통해 안내한다.

 (포함된 주제들은 단순선형회귀모형, 최소제곱법, 이상점과 영향점, 변수변환, 다중공선성, 전통적인 모형선택방법과 교차검증을 이용한 모형선택방법, 라쏘와 능형회귀 등.) 

 R을 이용한 

다변량분석

다변량분석은 변수들간의 인과 관계를 규명하여 결과를 예측하거나 설명하는 분석으로써, Multivariate normal distribution, Multivariate Regression, Discrimination and Classification, Clustering and Multidimensional Scaling의 기본 개념 안내하고, 실습을 통해 각자의 연구에 적용해 보도록 돕는다. 

 Python을 이용한 

머신러닝

머신러닝에 대한 개요와 분류분석과 회귀분석에서 모두 사용될 수 있는 의사결정나무의 작동원리와 해석하는 방법에 대해서 강의한다.

또한 분류앙상블과 회귀앙상블의 개념에 대해 소개하고, 배깅, 랜덤포레스트, 부스팅, 그레디언트부스팅 방법에 대해서 강의하고 실습을 진행하고자 한다. 

Python을 이용한 

딥러닝 기초 

이 강의에서 심층학습(deep learning)의 기본요소가 되는 인공신경망모형(artificial neural network models)을 다루고,  인공신경망의 구조 및 기본원리를 파악하고 경사하강법(gradient descent methods)을 통한 모형적합에 대해서도 학습하고자 한다. 또한 실제 예제들을 파이썬(Python) 라이브러리를 이용하여 인공신경망모형으로 분석해 본다.  (인공신경망모형은 이미지, 텍스트 등의 비정형자료를 처리할 수 있는 심화모형인 합성곱 신경망(convolutional networks), 순환 신경망(recurrent networks)을 이해하기 위한 필수임) 

 Python을 이용한 

딥러닝 응용

본 강의에서는 심화된 딥러닝 방법론들의 작동원리와 Python을 통해 모형을 적합하는 방법을 안내하고자 한다. 또한 이미지 데이터, 주식 가격 데이터, 인공지능 로봇 구축 등의 다양한 분야의 예제를 다루기로 한다.