통계학과 2026년 1학기 수업안내

수강안내

본 수강안내는 통계학과 수업 수강을 계획하고 있는 학생들의 수강안내를 돕기 위한 목적으로 만들어졌습니다. 수강과목은 수강 신청시 정보를 수강신청시스템 내 수업계획서를 통해 다시 확인하길 바라며 이 자료는 참고 목적으로만 활용하기 바랍니다.

• 권장선수과목은 필수 수강요건에 해당하지 않지만 수업을 원활하게 듣기 위해 수강을 권고하는 과목입니다.
• 권장 선수강수업은 위계가 있는 경우가 있습니다. 예를 들어 시계열분석및실습은 수리통계학I이 선수강권고수업으로 표시되어 있지만, 수리통계학I의 선수강권고수업은 기초확률론이므로 사실상 시계열분석및실습의 선수강권수수업은 기초확률론과 수리통계학I으로 두 과목입니다.
• 선수강권고수업은 동시에 수강이 원활한 경우가 있는 반면 그렇지 않은 경우도 있습니다. 예를 들면, 통계계산은 프로그래밍언어및실습, 행렬과대수I이 선수강권고수업이나 이 두 과목은 매년 1학기에 동시수강이 가능하며 수강이 원활한 과목입니다. 반면, 빅데이터통계읽기는 선수과목이 기계학습및실습이고, 사실상 프로그래밍및실습과목 통계학개론및실습과목이 선수강과목에 포함됩니다. 그리고 이 과목들은 선수강권고과목이 위계적으로 연결되어 있으며 한 학기에 동시수강이 어려운 수업입니다.
• 2개 이상의 선수강권고수업이 연결되어 있는 가 있는 경우 "선수강권고과목 확인요망"을 따로 표시하였습니다.

아래에는 통계학과에서 제공하는 과목을 크게 네 범주로 나누었습니다.

• 데이터 기초역량 구축(Foundational Data Skills)
• 통계모델링 및 추론 (Statistical Modeling & Inference)
• 데이터처리 및 공학적 구현 (Data Engineering & Processing)
• 응용분석 및 도메인 통계 (Applied Analytics & Domain Statistics)

과목의 핵심 내용들을 확인하고 수강과목간 관계를 파악하여 데이터사이언스 학업역량을 효과적으로 쌓을 수 있는 수강계획을 세우시길 바랍니다.

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 : 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 : 이성호 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 : 김성곤 교수
• 수업개요 : 이 교과목은 통계학 학습에 필요한 수학적 기초를 다루며, 수열과 무한급수, 적분, 미분방정식 등의 핵심 개념을 학습한다. 특히 확률분포의 적분 계산, 기대값 산출, 확산 과정과 같은 통계적·동적 현상에 수학을 적용하는 능력을 기른다. 학생들은 이를 통해 실제 데이터를 수학적으로 모델링하고 해석하는 과정을 경험하며, 통계학 및 데이터 과학의 상위 과목을 이해하는 데 필요한 기반을 마련한다. 나아가 계산 능력뿐 아니라 통계적 직관과 수리적 분석 능력을 동시에 배양하는 것을 목표로 한다.
• 권장선수과목 : -

• 담당교수 : 안수한 교수
• 수업개요 : 이 교과목은 확률의 공리적 정의를 바탕으로 조건부 확률, 독립성, 확률의 기본 법칙을 학습한다. 확률변수 개념과 함께 확률밀도함수, 확률분포, 기대값, 분산, 적률생성함수 등을 다루며, 통계 분석의 기초를 다진다. 또한 이항분포, 포아송분포 등 주요 이산형 분포와 정규분포, 감마분포 등 연속형 분포를 소개하고 그 성질을 탐구한다. 나아가 중심극한정리를 통해 표본의 크기 증가 시 분포가 정규분포로 수렴하는 과정을 이해하여 확률이론의 응용 기반을 마련한다.
• 권장선수과목 : -

• 담당교수 : 안수한 교수
• 수업개요 : 이 교과목은 통계 데이터 분석에 필수적인 행렬대수의 개념과 기법을 다룬다. 통계 데이터는 주로 행렬 형태로 표현되며, 계산 알고리즘 또한 행렬 연산을 기반으로 이루어진다. 본 강의에서는 벡터의 독립과 종속, 행렬식, 역행렬, 행렬의 차수 등 기본 개념을 학습하고, 이를 활용한 통계적 응용 방법을 익힌다. 이를 통해 학생들은 통계 이론과 데이터 분석 과정에서 행렬대수가 갖는 역할을 이해하고 실제 문제 해결에 적용할 수 있는 능력을 기른다.
• 권장선수과목 : -

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 : 김규성 교수
• 수업개요 : 회귀분석은 하나의 관심변수와 여러 개 설명변수 간의 관계를 회귀모형을 통하여 규명하는 통계분석기법이다. 이 과목에서는 선형관계를 규명하는 방법을 학습한다. 설명변수가 하나인 단순회귀분석과 설명변수가 여러 개인 중회귀분석으로 구분하여 각각에 대하여 최소제곱법과 분산분석법을 학습한다. 회귀모형에 부여된 모형 가정이 적절한지 검증하는 방법을 학습하고 데이터 분석을 통하여 이를 판단하는 방법을 배운다. 또한 중회귀분석에서 회귀모형에 적합한 설명변수를 선택하는 모형선택법을 학습한다. 본 교과목은 이론 강의와 더불어 SAS, R과 같은 통계패키지를 이용한 데이터 분석을 병행한다. 중회귀분석은 행렬대수 이론이 필수적이므로 행렬대수 이론의 선행 이수를 권장한다.
• 권장선수과목 : 통계학개론및실습, 행렬과대수I

• 담당교수 : 정병철 교수
• 수업개요 : 이 교과목은 「수리통계학 Ⅰ」에 이어 통계적 추론의 심화 내용을 다룬다. Neyman-Pearson 보조정리를 기반으로 한 최량검정과 우도비 검정을 학습하고, 이를 다양한 통계 문제에 적용하는 방법을 익힌다. 또한 모수적 방법의 한계를 보완하는 비모수적 추정 및 검정 기법을 소개하여 실용적 활용 능력을 확장한다. 아울러 간단한 다원배치 실험계획법을 다루며, 실제 데이터 분석에서의 응용력을 기른다.
• 권장선수과목 : 수리통계학I

• 담당교수 : 정병철 교수
• 수업개요 : 이 교과목은 관심 변수가 이산형일 때 적용되는 통계적 분석 방법을 다룬다. 로그선형(Log-Linear) 모형을 중심으로 모형 선택, 적합도 검정, 분할표에서 기대도수 추정 및 최우추정값 계산 방법을 학습한다. 또한 로짓(logit) 모형과 선형 로지스틱 회귀모형을 소개하여 범주형 자료의 관계를 해석하고 예측하는 기초를 마련한다. 이를 통해 학생들은 이산형 자료 분석의 이론과 실제 응용 능력을 함께 습득하게 된다.
• 권장선수과목 : 수리통계학I

• 담당교수 : 김규성 교수
• 수업개요 : 통계자료를 생성하는 여러 가지 기법을 학습한다. 통계자료를 생성할 때 발생하는 오차의 개념을 다루고 통계적 처리방법을 학습한다. 통계조사 방법으로서 층화, 집락화, 그리고 다단계 추출 방법을 소개하며 각각의 장단점을 설명한다. 또한 통계조사 자료에 근거한 추정량의 신뢰도를 나타내는 방법으로 분산추정을 하며, 분산추정의 여러 가지 방법을 소개한다.
• 권장선수과목 : -

• 담당교수 : 전종준 교수
• 수업개요 : 본 교과목은 인공지능 분야에서 활용되는 데이터 정보의 축약 및 시각화 방법론을 배운다. 테이블 (정형) 데이터, 이미지, 소리, 텍스트 데이터를 처리하고 데이터에 포함된 정보를 추출하는 과정에 대한 이론 및 R/Python을 이용한 처리기술들을 학습한다. 주요 학습 내용은 1) 데이터가 가진 정보를 축약하는 방법으로는서 전통적인 방법인 기초통계량의 생산, 2)고차원 구조를 가지는 이미지, 소리, 텍스트의 차원축소방법을 통한 요약통계량을 계산한다.
• 권장선수과목 : 행렬과대수1, 통계학개론및실습

• 담당교수 : 김윤영 교수
• 수업개요 : 본 과목의 목표는 딥러닝과 관련된 제반 이론을 학습하고, 다양한 데이터를 가지고 Python 언어로 딥러닝 과정을 프로그래밍을 수행할 수 있는 실무 능력을 함양하는 것이다. 구체적인 학습내용은 Python 문법 체계, 데이터 수집 및 가공 기법, 전반적인 기계학습 이론, 전통적 인공신경망, Fully-connected Neural Network, Convolutional Neural Network, Recurrent Neural Network 등을 포함한다.
• 권장선수과목 : 행렬과대수1, 프로그래밍언어및실습

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

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 : 박창이 교수
• 수업개요 : 공간 데이터 분석에 관심이 있는 통계학 전공 혹은 관련 분야 전공의 학부생을 대상으로 R을 이용하여 공간 데이터 분석을 위한 통계적 방법, 모형화 접근법, 시각화 기법을 소개한다. 본 교과목에서는 영역 데이터, 지리통계 데이터, 점 패턴 데이터의 세 가지유형의 공간 데이터에 대한 기초적인 분석법을 다룬다.
• 권장선수과목 : 수리통계학I

• 담당교수 : 김성곤 교수
• 수업개요 : 공간 데이터 분석에 관심이 있는 통계학 전공 혹은 관련 분야 전공의 학부생을 대상으로 R을 이용하여 공간 데이터 분석을 위한 통계적 방법, 모형화 접근법, 시각화 기법을 소개한다. 본 교과목에서는 영역 데이터, 지리통계 데이터, 점 패턴 데이터의 세 가지유형의 공간 데이터에 대한 기초적인 분석법을 다룬다.
• 권장선수과목 :

• 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

대학원 과목

대학원 과목 소개입니다.

• 담당교수 : 이성호 교수
• 수업개요 : 선형대수 및 데이터사이언스에 필요한 수학을 배운다.

• 담당교수 : 정병철 교수
• 수업개요 : 이 교과목은 확률론을 기초로 한 수리통계학의 이론적 틀을 심화 학습한다. 확률변수와 분포의 성질, 극한이론을 바탕으로 점추정과 구간추정, 가설검정의 일반적 원리를 다룬다. 최대우도추정, 적률추정 등 주요 추정 방법을 소개하고, Neyman-Pearson 정리와 우도비 검정 등 검정 이론을 심화한다. 또한 대수의 법칙과 중심극한정리 같은 확률극한이론을 활용하여 통계적 추론의 수리적 기초를 체계적으로 이해하도록 한다.

• 담당교수 : 이용희 교수
• 수업개요 : 이 교과목은 통계학 연구와 응용에 핵심이 되는 선형모형 이론을 심도 있게 다룬다. 고전적 선형회귀모형을 시작으로 행렬대수를 이용한 모형 표현, 최소제곱법과 일반화된 최소제곱법의 이론을 학습한다. 더 나아가 모형의 적합도, 모수 추정 및 검정, 분산분석과 공분산분석을 포함한 다양한 응용을 다룬다. 또한 다중회귀, 다항회귀, 범주형 변수의 처리, 모형 선택 및 진단 기법을 학습하여 연구와 실제 데이터 분석에 적용할 수 있는 능력을 기른다.

• 담당교수 : 김성곤 교수
• 수업개요 : 이 교과목은 시간에 따라 변하는 불확실한 현상을 수학적으로 다루는 확률과정의 기본 이론을 학습한다. 확률과정의 정의와 분류를 시작으로 마코프 연쇄, 포아송 과정, 갱신 과정 등의 주요 모형을 다룬다. 또한 브라운 운동과 같은 연속시간 확률과정의 성질을 소개하고, 이를 통해 대기이론, 신호처리, 금융수학 등 다양한 응용 사례를 탐구한다. 학생들은 이를 통해 확률적 현상을 수리적으로 모델링하고 해석하는 능력을 기르게 된다.

• 담당교수 : 김규성 교수
• 수업개요 : 이 교과목은 표본조사 이론과 실제를 다루며, 통계조사의 기획부터 자료 분석까지 전 과정을 학습한다. 단순무작위추출, 층화추출, 집락추출 등 표본추출 방법을 소개하고, 각 방법의 추정치와 분산, 효율성을 비교한다. 또한 비표본오차, 응답 편의 등 조사 과정에서 발생할 수 있는 오류를 다루며 이를 최소화하는 방법을 탐구한다. 실제 조사 사례와 데이터 분석을 통해 조사설계와 추론의 원리를 이해하고, 통계적 조사 연구를 수행할 수 있는 실무적 능력을 기른다.

• 담당교수 : 최호식 교수
• 수업개요 : 이 교과목은 환경과 보건 분야의 빅데이터를 이해하고 분석하는 기초 능력을 기르는 것을 목표로 한다. 미국 국민건강영양조사(NHANES) 자료를 활용한 건강지표 분석, 독성정보 CTD(Comparative Toxicogenomics Database) 데이터 탐색, 환경소음 데이터 분석 등을 중심으로 학습한다. 실제 공공 데이터셋을 다루며, 데이터 전처리·탐색적 분석·통계적 해석 과정을 실습함으로써 환경보건학 연구와 정책적 활용에 필요한 빅데이터 분석 역량을 배양한다.

• 담당교수 : 전종준 교수
• 수업개요 : 이 교과목은 함수공간에서의 확률론과 점근적 추론을 다룬다. 연속함수공간 C[0,1]에서의 수렴 개념과 확률측도 이론을 기초로, 경험적 분포 함수의 성질과 통계적 응용을 학습한다. 특히 확률적 수렴 개념과 균등수렴을 중심으로, 경험적 과정의 수렴 및 그 한계분포를 다루며, Donsker 정리와 같은 대표적 결과를 소개한다. 이를 통해 함수공간에서 확률과정의 거동을 이해하고, 고차원 통계분석 및 점근이론 연구의 기초를 마련한다.

• 담당교수 : 김성곤 교수
• 수업개요 : 고급 데이터사이언스 토픽 세미나
• 권장선수과목 : 면담 필요

• 담당교수 : 김윤영 교수
• 수업개요 : 이 교과목은 인공지능의 핵심 분야인 딥러닝의 기본 원리와 응용을 다룬다. 인공신경망의 구조와 학습 알고리즘을 시작으로, 역전파와 최적화 기법, 과적합 방지 방법을 학습한다. 합성곱신경망(CNN), 순환신경망(RNN), 트랜스포머 등 주요 아키텍처를 소개하고, 이미지·자연어·음성 데이터 분석에의 응용을 다룬다. 또한 최신 연구 동향을 간략히 소개하여 실제 데이터 처리와 모델 구축 경험을 제공하고, 학문적 연구 및 산업적 활용 역량을 함께 배양한다.

• 담당교수 : 전종준 교수
• 수업개요 : 이 교과목은 대학원 신입생을 대상으로 각 연구실의 연구 주제, 진행 중인 프로젝트, 연구 방법론을 소개하는 세미나 형식으로 운영된다. 교수와 재학생들이 참여하여 연구실별 주요 연구 분야와 성과를 공유하며, 신입생은 다양한 연구실의 활동을 이해하고 자신의 관심 분야를 탐색할 기회를 갖는다. 이를 통해 학생들은 연구실 선택과 향후 연구 방향 설정에 필요한 정보를 얻고, 대학원 생활에 원활히 적응할 수 있는 기초를 마련한다.
• 참고사항: 1학점 과목, 대학원신입생