서울여대 데이터사이언스학과

대학원

과정 소개

학수번호	이수구분	과목명	과목소개	학점	학위과정
-	기초공통	데이터사이언스 과정 Data Science Pipeline	데이터사이언스의 기본 개념과 다양한 분야, 분야별 분석 파이프라인에 대해 학습하고, 대학원생의 연구 분야에 따라 데이터사이언스 분석 파이프라인을 도출하는 연구를 수행한다.	3	석박통합
-	기초공통	파이썬을 이용한 데이터사이언스 분석 Data Science Analytics Using Python	데이터사이언스 분야에서 가장 많이 사용되는 프로그래밍 언어인 파이썬의 기본 지식을 습득하고, 파이썬을 이용한 데이터사이언스 분석 방법을 학습한다. 실데이터를 활용한 데이터 분석을 위해 파이썬 프로그래밍을 도입하는 실습을 수행한다.	3	석박통합
-	기초공통	딥러닝 이론 및 실습 Deep Learning Theory & Practice	머신러닝의 대표적인 방법론인 딥러닝의 개념을 이해하고, CNN, RNN, GNN을 비롯한 딥러닝의 다양한 모델을 학습한다.	3	석박통합
-	기초공통	데이터사이언스를 위한 고급 머신러닝 Advanced Machine Learning for Data Science	데이터사이언스에 널리 활용되는 다양한 머신러닝 방법론을 수리적으로 학습하고, 프로그래밍 언어를 이용하여 실습한다.	3	석박통합
-	전공과목	데이터사이언티스트를 위한 소프트웨어 개발 Software Development for Data Scientist	데이터사이언티스트로서 개발자와 소통하고, 데이터 분석 결과물의 효과적인 제공을 위해 필수적인 소프트웨어 개발 관련 이론을 습득하고 실습을 수행한다.	3	석박통합
-	전공과목	전자상거래 빅데이터 Big Data in E-Commerce	데이터사이언스의 응용 분야 중 하나인 전자상거래에 대한 기본 개념과 전자상거래 플랫폼으로부터 생산되는 데이터를 활용한 분석 분야 및 방법론에 대해 연구한다.	3	석박통합
-	기초공통	탐색적 데이터 분석 및 가시화 Exploratory Data Analysis & Visualization	데이터사이언스의 핵심 요소인 탐색적 데이터 분석의 개념과 방법론을 학습하고, 이를 위한 데이터 가시화 모델을 연구한다. 실데이터를 활용한 실습을 통해 탐색적 분석 경험을 획득한다.	3	석박통합
-	전공과목	딥러닝을 이용한 자연어처리 Natural Language Processing with Deep Learning	한글과 영어를 중심으로 토큰화, 형태소 분석, 의미 임베딩에 이르는 자연어처리 과정을 학습한다. 특히, 딥러닝을 기반으로 한 자연어처리 성능의 획기적인 향상 과정을 이해하고, 딥러닝 기반의 자연어처리 방법론을 연구한다.	3	석박통합
-	전공과목	소셜네트워크 및 미디어 빅데이터 Social Network & Media Big Data	온라인 상에서 생성되는 소셜네트워크 및 미디어 빅데이터의 개념을 학습하고, 소셜네트워크 및 미디어 빅데이터 분석을 위한 방법론을 연구한다.	3	석박통합
-	전공과목	머신비전을 위한 딥러닝 Convolutional Neural Networks for Machine Vision	머신비전은 기계(컴퓨터)가 이미지를 인식하는 과정에 대한 분야로 딥러닝, 특히 CNN 모델의 발전과 함께 획기적인 성능 향상을 보였다. CNN을 근간으로 한 다양한 딥러닝 모델을 활용한 머신비전 방법론을 학습한다.	3	석박통합
-	전공과목	개인화 이론 및 응용 Personalization Theory & Application	데이터사이언스의 응용 분야 중 하나인 개인화에 대한 개념을 학습하고, Collaborative Filtering 등 이를 위한 방법론에 대해 연구한다.	3	석박통합
-	전공과목	정보 검색 Information Retrieval and Web Search	데이터사이언스의 응용 분야 중 하나인 정보 검색과 관련된 이론을 학습하고, 실습을 수행한다.	3	석박통합
-	전공과목	데이터사이언스를 위한 고급통계분석 Advanced Statistics for Data Science	데이터사이언스에 사용되는 확률통계 이론에 대해 학습한다. 특히, 다양한 확률 분포의 기본 개념과 분포 간의 관계를 다루고, 확률과 머신러닝 이론의 연관성을 연구한다.	3	석박통합
-	전공과목	강화학습 Reinforcement Learning	머신러닝의 학습 방법론 중 하나인 강화학습의 이론을 학습하고 실습을 수행한다. 특히, 심층강화학습의 최신 이론을 연구한다.	3	석박통합
-	전공과목	생성 및 그래프 모델 Deep Generative Models & Probabilistic Graphical Models	분포 정보를 제공함으로써 높은 확장성을 갖고 있는 GAN과 같은 생성 모델과 확률 변수간의 관계를 그래프로 나타내는 그래프 모델의 이론을 학습한다.	3	석박통합
-	전공과목	신호처리를 위한 머신러닝 Machine Learning for Signal Processing	음성, 뇌파 등 시계열 특성을 지닌 신호 데이터 처리를 위한 머신러닝 방법론을 학습하고, 실습을 수행한다.	3	석박통합
-	전공과목	시공간 데이터 분석 및 처리 Spatio-Temporal Data Analytics	모바일 디바이스의 확산과 디바이스 내 데이터 수집 기술의 발전으로 시간 및 공간 정보를 포함하는 데이터가 축적되고 있다. 이러한 시공간 데이터를 분석하기 위한 다양한 방법론과 가시화 기법을 학습한다.	3	석박통합