통계학과 2025년 2학기 수업안내

데이터 기초역량 구축(Foundational Data Skills)

해당 기초과목 포트폴리오는 데이터 기반 문제 해결을 위한 이론적 기초와 계산적 사고 능력을 종합적으로 함양하는 것을 목표로 합니다. 학생들은 이 과목들을 통해 통계학적 사고력, 수학적 정량화 능력, 프로그래밍을 통한 실용적 구현 능력을 균형 있게 학습하게 되며, 이는 향후 데이터사이언스, 인공지능, 통계모형 개발 등 고급 과정의 이수와 실제 데이터 분석 업무 수행을 위한 핵심 기초역량으로 작용합니다. 이 포트폴리오는 데이터를 이해하고, 수학적으로 표현하며, 분석 가능한 형태로 처리하고, 해석을 통해 통찰을 도출할 수 있는 일련의 능력 체계를 구축하는 데 초점을 둡니다.

• 담당교수 : 박창이 교수
• 수업개요 : 이 과목은 통계학의 기본 개념과 주요 응용 분야를 소개하고, 데이터 기반 문제 해결을 위한 기초 통계 역량을 기르는 것을 목표로 합니다. 통계 자료의 수집, 요약, 시각화, 해석 등 데이터 처리의 전 과정을 다루며, 평균, 분산, 상관계수 등 기본 통계량의 이해와 해석을 중심으로 학습합니다. 이론 수업과 함께 파이썬(Python)을 활용한 실습을 병행하여, 실제 데이터를 불러오고 정리하며 간단한 분석을 수행하는 경험을 제공합니다. 이를 통해 통계학적 사고와 데이터 분석 도구의 활용 능력을 동시에 함양합니다.
• 권장수강학년 : 1학년
• 권장선수과목 : 없음

• 담당교수 : 조소영 강사
• 수업개요 : 본 과목은 통계학 분야에서 널리 활용되는 프로그래밍 도구인 파이썬(Python)을 중심으로, 데이터 분석에 필요한 기본적인 프로그래밍 역량을 기르는 것을 목표로 합니다. 기존의 통계 소프트웨어 패키지를 단순히 활용하는 수준을 넘어, 파이썬의 문법, 제어문, 함수, 파일 입출력, 리스트와 딕셔너리 등의 자료구조에 대한 이해를 바탕으로 문제 해결 능력을 기릅니다. 특히, 실습 중심의 학습을 통해 데이터를 수집하고 처리하며, 간단한 분석을 직접 구현함으로써 프로그래밍 기술(Programming Skill)을 체계적으로 향상시킵니다.
• 권장선수과목 : 없음

• 담당교수 : 강희건 강사
• 수업개요 : 이 과목은 빅데이터 분석에 필요한 핵심 수학 개념을 소개하고, 이를 실제 데이터 문제에 적용할 수 있는 기초 수학적 사고력을 기르는 것을 목표로 합니다. 주요 학습 내용은 기초적인 수준에서의 선형대수, 미분 및 최적화, 기초 확률 및 통계로 구성됩니다. 수학 이론의 암기보다는 직관적 이해와 응용 중심의 학습을 지향하며, 파이썬을 활용한 간단한 계산 실습을 통해 개념을 구체화하고 빅데이터 분석에서의 실제 활용 가능성을 체감할 수 있도록 구성되어 있습니다.
• 권장선수과목 : 없음

• 담당교수 : 김윤영 교수
• 수업개요 : 이 과목은 통계학을 처음 접하는 교양 학생들을 대상으로 하며, 데이터 기반 의사결정을 위한 통계적 사고력을 기르는 것을 주요 목표로 합니다. 일상생활과 사회 현상 속에서 마주하는 다양한 정보와 불확실성을 통계적으로 해석하고 판단하는 능력을 키우며, 평균, 분산, 표본조사, 상관관계, 회귀분석 등 기초 통계 개념을 사례 중심으로 학습합니다. 복잡한 수학적 계산보다는 직관적인 이해와 해석 능력, 그리고 통계자료를 읽고 비판적으로 평가하는 능력에 중점을 둡니다. 실생활 데이터를 활용한 활동과 간단한 도구를 이용한 시각화 실습도 병행합니다.
• 권장선수과목 : 없음

• 담당교수 : 안수한 교수
• 수업개요 : 이 과목은 확률의 기초 이론을 바탕으로, 시간의 흐름에 따라 전개되는 확률적 현상, 즉 확률과정의 수학적 구조와 이론을 학습하는 데 목적을 둡니다. 주요 내용으로는 이산시간 마코프 체인(Markov Chain), 연속시간 포아송 과정(Poisson Process), 생사과정(Birth and Death Process), 재생과정(Renewal Process) 등을 포함하며, 이러한 확률과정들의 성질과 이론적 기반을 정립하고 다양한 응용 사례에 연결합니다.
  특히 마코프 체인의 전이확률 행렬, 정상분포, 흡수 상태 등 핵심 개념을 다루고, 이를 활용한 실용적 모델링 기법을 소개합니다. 또한 기초적인 재생이론과 큐잉이론(Queuing Theory)을 통해 서비스 시스템 분석, 대기행렬 모델 등 현실 문제에 대한 확률적 접근 방법을 학습합니다.이 과목은 통계학, 산업공학, 전산학, 금융공학 등 다양한 분야에서 확률 기반 시스템 모델링 및 분석 역량을 기르고자 하는 학생들에게 유용한 수학적 기반을 제공합니다.
• 권장선수과목 : 기초확률론

• 담당교수 : 안수한 교수
• 수업개요 : 이 과목은 행렬과대수Ⅰ에 이어, 보다 심화된 행렬대수의 개념과 기법을 학습하는 것을 목표로 합니다. 특히 고유값(Eigenvalue)과 고유벡터(Eigenvector)의 이론, 다양한 형태의 행렬 분해(Matrix Decomposition) 방법(예: 고유분해, 특이값 분해 등), 그리고 이들이 계산 및 이론적으로 갖는 의미를 중점적으로 다룹니다.
  또한 이러한 기법들이 통계학의 핵심 개념들과 어떻게 연결되는지를 소개하며, 분산·공분산 행렬, 주성분 분석(PCA), 최소제곱 추정 등 통계량의 행렬 표현과 해석을 통해 수학적 직관과 통계적 응용력을 함께 배양합니다. 수학적 이론뿐만 아니라 계산 절차와 응용 예제를 함께 다룸으로써, 데이터 분석과 통계 모델링의 기초 도구로서의 행렬대수의 역할을 체계적으로 이해할 수 있도록 합니다.
• 권장선수과목 : 행렬과대수I

통계모델링 및 추론 (Statistical Modeling & Inference)

통계적 모델링과 추론, 그리고 계산 기반 통계기법의 통합적 이해와 응용 역량을 배양하는 것을 목표로 하는 심화 학습 과목 포트폴리오입니다. 학생들은 이 포트폴리오를 통해 확률 기반의 이론적 정합성과 수리적 엄밀성을 갖춘 통계 모델링 능력, 현실 데이터를 분석 가능한 구조로 추상화하고 해석하는 추론 능력, 그리고 계산적 통계 및 기계학습 기법을 활용한 현대적 분석 역량을 종합적으로 함양합니다.

• 담당교수 : 정병철 교수
• 수업개요 : 이 과목은 기초 통계학을 선수과목으로 하며, 통계적 추론(statistical inference)의 기본 원리를 다루는 데 중점을 둡니다. 확률변수의 다양한 분포 이론과 중심극한정리를 바탕으로, 정규분포하의 추론 이론(normal-theory inference)을 체계적으로 학습합니다. 특히, 최대우도추정법(maximum likelihood estimation)과 그 성질을 살펴보고, 통계적 추정의 일관성, 불편성, 효율성 등의 개념을 소개합니다.
  아울러 통계학의 핵심 분야 중 하나인 가설검정(hypothesis testing)을 정규모형 하에서 다루며, 모평균의 가설검정, 유의확률(p-value), 검정력(power) 등의 개념을 중심으로 실질적인 검정 절차를 학습합니다. 본 과목은 통계적 결론 도출의 이론적 기반을 이해하고, 실제 데이터 분석 상황에 적절한 추론 방법을 적용하는 데 필요한 기초 이론을 제공합니다.
• 권장선수과목 : 기초확률론, 통계수학

• 담당교수 : 이용희 교수
• 수업개요 : 이 과목은 여러 개의 관련된 변수들로 구성된 데이터를 분석하는 데 사용되는 다변량 통계 기법(multivariate statistical methods)을 학습합니다. 다변량 확률변수의 개념을 바탕으로, 다변량 분포 이론, 특히 다변량 정규분포(multivariate normal distribution)의 성질과 이를 활용한 모집단 평균 벡터에 대한 추론, 공분산 행렬의 비교, 다변량 분산분석(MANOVA) 등을 다룹니다.
  또한, 고차원 데이터의 구조를 요약하고 해석하는 데 유용한 차원 축소 및 분류 기법으로서 주성분 분석(PCA), 인자분석(FA), 정준상관분석(CCA), 판별분석 및 분류(discriminant analysis), 군집분석(clustering), 구조방정식모형(SEM) 등을 학습합니다. 이론적 이해뿐 아니라 실제 데이터를 활용한 분석 능력을 배양하기 위해, SAS, R 등 통계 소프트웨어를 사용한 실습을 병행합니다.
• 권장선수과목 : 통계학개론및실습

• 담당교수 : 박창이 교수
• 수업개요 : 본 과목은 통계 프로그래밍 언어인 R 또는 Python을 기반으로, 통계학 및 기계학습 분야에서 널리 활용되는 계산 통계 기법을 소개합니다. 주요 학습 내용은 다음과 같은 수치적 방법(numerical methods)과 확률 기반 계산 기법을 포함합니다:
  • 수치적분 및 수치해법
  • 최적화 기법(예: 경사하강법)
  • 행렬 연산의 계산 효율성
  • 난수 발생 및 몬테카를로 시뮬레이션(Monte Carlo methods)
  • 기대화–최대화 알고리즘(EM algorithm)
  • 붓스트랩(Bootstrap) 및 재표본 기법
  이론적 배경과 함께 컴퓨터 실습을 통해 알고리즘을 구현하고 실험적으로 검증하는 과정을 통해, 복잡한 통계적 방법론의 계산적 측면을 이해하고 실무 적용 능력을 함양합니다. 본 과목은 특히 통계 모델의 구현, 추론의 수치적 근사, 대규모 데이터에 대한 계산 효율성 문제를 해결하고자 하는 학생들에게 필수적인 기초를 제공합니다.
• 권장선수과목 : 프로그래밍및실습, 행렬과대수I

• 담당교수 : 이성호 교수
• 수업개요 : 이 과목은 R 또는 Python을 기반으로, 다양한 데이터 기반 학습 문제에 널리 활용되는 기계학습(Machine Learning) 기법들을 소개합니다. 수업은 크게 지도학습(supervised learning)과 비지도학습(unsupervised learning)으로 구분되며, 각 접근법의 이론적 배경과 실제 응용을 함께 학습합니다.
  지도학습 영역에서는 의사결정나무(decision tree), 서포트 벡터 머신(SVM), 신경망(neural network) 등 대표적인 분류 및 회귀 기법과 함께, 모형 성능 평가 방법(교차검증, 혼동행렬, ROC 곡선 등)을 학습합니다. 비지도학습 영역에서는 연관 규칙 학습(association rule learning), 군집 분석(clustering), 차원 축소(dimensionality reduction) 기법(PCA 등)의 원리와 적용 방법을 다룹니다.
  이론 강의와 병행하여 프로그래밍 실습을 통해 실제 데이터를 분석하고 모형을 구현하는 과정을 반복함으로써, 기계학습 알고리즘의 원리를 이해하고 실제 문제에 적용하는 능력을 함양합니다.
• 권장선수과목 : 통계학개론및실습, 프로그래밍언어및실습

• 담당교수 : 정병철 교수
• 수업개요 : 이 과목은 시간의 흐름에 따라 관측된 데이터를 대상으로 하는 시계열 자료 분석(time series analysis) 기법을 학습합니다. 시계열 데이터는 시점 간의 연관성을 가지므로, 일반적인 독립 표본 데이터와는 다른 분석 접근이 요구됩니다. 본 과목에서는 이동평균법(moving average method), 지수평활법(exponential smoothing) 등 기본적인 예측 기법을 시작으로, ARIMA 모형을 포함한 확률적 시계열 모형의 이론과 적용 방법을 학습합니다.
  또한 실제 시계열 데이터를 활용한 분석 실습을 병행하며, SAS 통계 패키지를 이용한 시계열 자료 처리 및 시각화, 모형 적합, 예측 수행 방법을 익힙니다.이를 통해 학생들은 시계열 자료의 구조를 이해하고, 적절한 모형을 선택하고 해석하며, 실질적인 예측 문제에 적용할 수 있는 통계적 분석 능력을 기르게 됩니다.
• 권장선수과목 : 수리통계학I

데이터처리 및 공학적 구현 (Data Engineering & Processing)

데이터의 수집, 저장, 처리, 분석 및 시각화까지의 전 주기를 다루며, 이를 공학적 관점에서 구현하고 자동화할 수 있는 실무 중심 역량을 기르는 데 목적이 있는 데이터처리 및 공학적 구현(Data Engineering & Processing) 포트폴리오입니다. 학생들은 이 과정을 통해 정형·비정형 데이터를 효율적으로 다루기 위한 프로그래밍 기술, 데이터베이스 및 시스템 구조에 대한 이해, 그리고 데이터 시각화 및 자연어처리 기반 분석 기술을 실습 중심으로 습득하게 됩니다. 특히, 통계자료처리 및 고급통계프로그래밍 과목을 통해 데이터 처리 자동화와 분석 파이프라인 구축 능력을 강화하며, 데이터베이스와 데이터엔지니어링 과목을 통해 대규모 데이터의 저장·조회·처리 시스템을 설계하고 최적화하는 기술을 학습합니다. 또한, 데이터시각화와 언어처리 및 학습 과목을 통해 데이터의 해석력과 전달력, 텍스트 기반의 데이터 이해 및 처리 능력까지 통합적으로 배양합니다

• 담당교수 : 강희건 강사
• 수업개요 : 이 과목은 대표적인 통계 소프트웨어인 SAS와 R을 활용하여, 자료 처리 및 기초 분석에 필요한 실무적 기술을 학습하는 것을 목표로 합니다. 주요 학습 내용에는 데이터의 입출력, 형식 변환, 결측값 처리, 변수 생성 등 자료 전처리(data wrangling) 기법을 포함하며, 이를 바탕으로 기초 통계 분석(기술통계량, 빈도표, 상관분석 등)을 수행합니다.
  또한, SQL(Structured Query Language)을 이용한 데이터베이스와의 연동 방법을 학습함으로써, 외부 데이터와의 연결 및 처리 능력을 강화합니다. 더불어 반복문, 조건문, 사용자 정의 함수 등 기초적인 프로그래밍 기법을 소개하여, SAS와 R에서의 자동화된 분석 작업 수행 능력을 기릅니다. 본 과목은 통계 이론과 실무 간의 연결을 중시하며, 다양한 데이터 환경에서 통계적 사고를 구현하고 분석 결과를 도출할 수 있는 능력을 배양합니다.
• 권장선수과목 : 없음

• 담당교수 : 김윤영 교수
• 수업개요 : 이 과목은 '통계프로그래밍및실습'에서 학습한 기초 프로그래밍 개념을 바탕으로, 보다 복잡한 데이터 처리 및 분석 작업을 수행할 수 있는 고급 프로그래밍 기술을 학습하는 데 목적이 있습니다.
  데이터 과학에서 널리 사용되는 Python 언어를 중심으로, 프로그램 설계 및 구현에 필요한 객체지향 프로그래밍, 함수형 프로그래밍, 오류 처리 및 성능 향상 기법 등 심화된 프로그래밍 개념을 다룹니다. 아울러, 실제 통계 분석 환경에서 요구되는 데이터 수집, 전처리, 요약 통계 계산, 데이터 시각화 등의 실무적 주제를 포함하며, pandas, matplotlib, seaborn 등의 라이브러리를 활용한 현실 기반의 통계 프로그래밍 실습을 병행합니다. 본 과목을 통해 학생들은 데이터 중심 문제를 분석적 사고와 프로그래밍 기술을 통해 해결할 수 있는 실질적 역량을 갖추게 됩니다.
• 권장선수과목 : 프로그래밍언어및실습

• 담당교수 : 박재휘 교수
• 수업개요 : 이 과목은 데이터베이스의 이론적 기초와 실무적 활용 능력을 함께 배양하는 것을 목표로 합니다. 주요 학습 내용은 데이터 모델링(Entity-Relationship 모델 등), 관계형 질의 언어(SQL), 데이터베이스 설계(normalization), 트랜잭션 처리 및 동시성 제어(concurrency control), 질의 처리(query processing), 회복 관리(recovery), 그리고 데이터베이스 관리 시스템(DBMS)의 구조와 기능을 포함합니다.
  이론 수업과 함께 데이터베이스 구축, 관리 및 질의 수행에 대한 실습을 병행하며, 데이터 중심의 응용 프로그램을 설계하고 구현하는 데 필요한 실질적 역량을 기릅니다.또한, 빅데이터 시대의 핵심 기술로서 데이터베이스의 역할을 조망하고, 대용량 데이터 저장 및 처리와 관련된 개념을 데이터베이스 이론과 연계하여 학습함으로써, 빅데이터 전공에 필수적인 기반 지식을 체계적으로 확보할 수 있도록 합니다.
• 권장선수과목 : 없음

• 담당교수 : 박재휘 교수
• 수업개요 : 이 과목은 자연어처리(Natural Language Processing)에 필요한 언어 이론과 기계학습 기반 기법을 학습하고, 이를 바탕으로 다양한 언어 기반 응용 시스템에 적용할 수 있는 능력을 함양하는 것을 목표로 합니다. 주요 학습 내용에는 텍스트 전처리 및 표현 기법, 통계적 언어모델링, 문서 분류 및 감성 분석, 신경망 기반 언어모델(예: RNN, Transformer), 논리 표현 및 의미 해석, 그리고 최신 자연어처리 응용(예: 챗봇, 요약, 질의응답, 기계번역 등)이 포함됩니다.
  수업은 주로 이론 중심의 강의로 구성되며, 필요 시 실제 데이터를 다루는 실습과 과제를 통해 실용적인 기술 습득과 문제 해결 경험을 병행할 수 있도록 구성됩니다. 본 과목을 통해 학생들은 자연어의 구조와 의미에 대한 이해를 바탕으로, 언어 기반 데이터 분석 및 처리 기술을 이론적으로 습득하고, 다양한 NLP 응용 문제에 적절한 기법을 선택하고 적용하는 능력을 갖추게 됩니다.
• 권장선수과목 : 프로그래밍언어및실습

응용분석 및 도메인 통계 (Applied Analytics & Domain Statistics)

금융, 보험, 보건·의료 등 다양한 응용 분야에 특화된 통계 분석 기법을 학습하고, 해당 도메인의 문제를 통계적으로 정의하고 해결할 수 있는 능력을 기르는 것을 목표로 하는 응용분석 및 도메인 통계(Applied Analytics & Domain Statistics) 포트폴리오입니다.

• 담당교수 : 김성곤 교수
• 수업개요 : 이 과목은 보험통계학Ⅰ과 연계된 과정으로서 손해보험, 건강보험을 비롯한 좀 더 일반적인 보험의 분석 및 위험관리, 설계관한 기본적인 방법론을 다루는 것을 목적으로 합니다
• 권장선수과목 : 통계학개론및실습

데이터사이언스 융합 (Data Science Integration)

데이터사이언스 융합과목군은 다양한 학문 분야와 데이터사이언스를 통합하여, 도메인 지식과 데이터 분석 기술을 결합한 문제 해결 능력을 기르는 것을 목표로 합니다. 이 과목군은 통계학, 컴퓨터공학, 사회과학, 자연과학, 공공정책, 환경, 인문학 등 다양한 분야와의 접점에서 데이터사이언스가 어떻게 활용될 수 있는지를 탐구하며, 학생들에게 현실 기반의 복합적 문제를 다룰 수 있는 데이터 해석력, 도구 활용 능력, 융합적 사고를 함께 배양합니다.

• 담당교수 : 전종준 교수
• 수업개요 : 이 과목은 기계학습의 기본 개념을 바탕으로, 고급 모델링 기법과 최신 응용 분야를 심화 학습하는 것을 목표로 합니다. 주요 학습 주제는 다음과 같습니다:
  • 딥러닝(Deep Learning): 신경망의 구조, 역전파 알고리즘, 합성곱 신경망(CNN), 순환 신경망(RNN), Transformer 기반 모델 등
  • 토픽 모델링(Topic Modeling): 잠재 디리클레 할당(LDA) 등 비지도 학습 기반의 텍스트 구조 발견 기법
  • 그래프 신경망(Graph Neural Networks, GNN): 그래프 구조 데이터를 위한 신경망 설계 및 학습 기법
  • 기계학습 모형의 응용 사례: 이미지 인식, 자연어 처리, 추천 시스템, 시계열 예측, 이상 탐지 등 다양한 응용 영역에서의 실제 적용
  또한 최근의 연구 동향을 반영하여 모형의 일반화 능력, 과적합 방지 기법, 해석 가능성(Explainability), 성능 평가 방법론 등 실무와 연구에 필요한 이론적/계산적 쟁점들을 함께 다룹니다. 수업은 이론 중심의 강의와 병행하여, Python(Pytorch)을 활용한 실습과 프로젝트를 통해 실제 데이터를 대상으로 고급 모델을 구현하고 성능을 평가하는 경험을 제공합니다.
• 권장선수과목 : 기계학습및실습

• 담당교수 : 전종준 교수
• 수업개요 : 이 과목은 주가 장기 시계열 예측과 공시 텍스트 데이터 분석이라는 두 가지 실제적 분석 과제를 중심으로 진행되는 캡스톤 디자인(Capstone Design) 과목입니다. 학생들은 실제 기업 또는 기관과의 협업을 통해 현장에서 발생하는 분석 문제를 발굴하고, 이를 해결하기 위한 데이터 기반 접근법을 설계 및 구현하게 됩니다. 주된 분석 주제로는 다음이 포함됩니다:
  • 주가의 장기 추세 예측 및 리스크 탐지를 위한 시계열 모델링 (예: ARIMA, LSTM, Prophet 등)
  • 공시 문서, 뉴스, 재무보고서 등 비정형 텍스트 자료에 대한 자연어처리 기법을 활용한 정보 추출 및 의미 분석 (예: 토픽모델링, 감성분석, 문서 분류 등)
  본 과목은 데이터 수집, 정제, 모델 개발, 평가, 시각화, 보고서 작성까지 데이터 분석의 전 과정을 포함하며, 팀 기반 프로젝트를 통해 문제 정의 능력, 협업 및 소통 능력, 데이터 기반 의사결정 능력을 종합적으로 함양합니다. 그리고 기업과의 실질적인 연계를 통해, 학생들은 이론과 실무를 연결하는 데이터 분석 경험을 축적하고, 금융 및 비정형 데이터 분석 분야에서의 실무 적응력을 갖추게 됩니다.
• 권장선수과목 : 면담 필요