나노디그리

나노디그리

학생의 수요에 따라 맞춤형 교육을 제공하고 희망하는 분야에 특화된 교육과정에 집중함으로써 전문 역량을 효율적으로 배양할 수 있도록 0.5학점~1학점 단위의 교육모듈을 조합한 교과목으로 구성된 모듈형 교육과정입니다.

나노디그리

교육목표

데이터사이언스 분야 4개의 나노디그리 과정은 동국대학교 교육인재상인 ‘도덕적지도자, 창조적지식인, 진취적도전자’를 바탕으로 4차 산업혁명시대를 선도하는 창의적 사고력과 공학적 실무능력을 갖춘 산업현장 실무형 융합인재를 양성을 목표로 한다.

교육과정 소개

교과목명 과목 학점 모듈 번호 모듈명 모듈 학점 데이터사이언스 나노디그리 과정
N데이터
사이언스
N금융거래
분석
N비즈니스
애널 리틱스
N추천
시스템
N-데이터과학 개요 1 1-0 데이터과학 소개 0        
2-1 데이터과학 기초이론
(+데이터과학 기초사례 보고서 작성)
1        
N-기계학습 기본알고리즘 1 2-2 기계학습 기본 알고리즘 1        
N-데이터시각화 개요 1 3-0 스토리텔링과 효과적인 시각화의 가치 0        
3-1 파이썬 시각화 기술 기본 1        
N-동적시각화기술 1 3-2 네트워크, 지도 및 동적 시각화 기술 1        
N-탐색적데이터 분석 1 4-1 탐색적 데이터 분석 1        
N-기계학습 2 5-1 지도학습 알고리즘 1        
5-2 비지도학습 알고리즘 0.5        
5-3-1 딥러닝 기초 0.5        
N-딥러닝 알고리즘 1 5-3-2 딥러닝 알고리즘 1        
N-추천시스템 기본알고리즘 1 6-0 추천시스템 소개 0        
6-1 추천 시스템 기본 알고리즘 1        
N-추천시스템 고급알고리즘 1 6-2 추천 시스템 고급 알고리즘 1        
N-시계열 분석 기본이론 1 7-0 시계열 분석 소개 0        
7-1 시계열 기본이론 1        
N-시계열 분석 알고리즘 1 7-2 시계열 분석 알고리즘 1        
N-금융거래 시계열 분석 1 7-3 금융거래 시계열 분석 1        
N-비즈니스 애널리틱스 1 8-1 비즈니스 애널리틱스 1        
N-데이터사이언스캡스톤프로젝트 1 9-1 데이터사이언스 캡스톤프로젝트 1        
N-금융거래분석 캡스톤프로젝트 1 9-2 금융거래분석 캡스톤프로젝트 1        
N-비즈니스 애널리틱스 캡스톤프로젝트 1 9-3 비즈니스애널리틱스 캡스톤프로젝트 1        
N-추천시스템 캡스톤프로젝트 1 9-4 추천시스템 캡스톤프로젝트 1        
학 점 18 8.0 10.0 10.0 10.0

※ 나노디그리의 최소 단위는 모듈이며, 1개 이상의 모듈이 하나의 교과목을 구성함. 예를 들어, N-데이터과학개요는 [1-0 데이터과학소개]와 [2-1 데이터과학 기초이론], 두 개의 모듈로 구성되어 있으며, N-기계학습기본알고리즘은 [2-2 기계학습기본알고리즘] 하나의 모듈로 구성되어 있음

※ 2022.1학기 개설: N데이터사이언스, N추천시스템

※ 2022.2학기 개설: N금융거래분석, N비즈니스애널리틱스

※ 학문 분야의 능력을 심화하기 위한 교육과정이므로 교육과정별로 선이수해야하는 과목을 일부 지정 할 수 있음

문의 : SW교육원(02-2290-1456)

과목별 모듈 해설

N-데이터과학개요
모듈번호 1-0 데이터과학 소개 Brief Introduction to Data Science
데이터과학이란 과학적 방법과 절차, 그리고 알고리즘을 사용하여 정형 또는 비정형 데이터로부터 지식과 통찰을 얻고, 데이터에서 얻은 지식과 실행 가능한 통찰력으로 다양한 영역에 적용하는 학제적 학문이다. 강의는 데이터 과학을 수강하고자 하는 학생에게 과목의 내용을 간단히 소개하고, 데이터과학의 필요성에 대해 생각할 수 있게 하는데 그 목적이 있다. 데이터과학자로서 지녀야 할 스킬들과 데이터과학자로서 직업적 전망을 소개해 줌으로써 데이터과학을 선택하려는 학생들에게 보다 현실적인 정보를 전달하고자 한다.
모듈번호 2-1 데이터과학기초이론 Beginning Data Science
데이터과학을 처음 배우는 학생들을 위한 입문 과정이다. 데이터과학에 대한 소개와 데이터과학에 필요한 기초 통계 지식의 정리, 통계적 모델과 머신러닝 모델을 포한하는 모델링, 탐색적 데이터 분석 및 그래픽 기법, 상관관계와 인과성에 대해서 알아본다. 데이터과학 문제 사례를 풀어나감으로써 데이터과학에 대한 동기을 부여하고자 한다.
 
N-기계학습 기본알고리즘
모듈번호 2-2 기계학습 기본 알고리즘 Basic Algorithms of Machine Learning
이 강의는 머신러닝을 처음 시작하는 학생들을 위한 것으로서, 머신러닝의 수 많은 알고리즘들 중에서 가장 기본이 되는 선형회귀, 다항식회귀, k-근접이웃법, k-평균법, 나이브베이즈 분류기, 로지스틱 회귀 및 소프트 맥스 알고리즘을 강의한다. 학생들은 최소제곱법, 과적합과 미적합, 혼동행렬과 평가측도, 거리측도와 차원의 저주 머신러닝의 개념인 과적합, 모델의 평가 방법, 경사하강법, 평활화 등에 대해 알 수 있게 된다.
 
N-데이터시각화개요
모듈번호 3-0 스토리텔링과 효과적인 시각화의 가치 Efficacy of Data Visualization
데이터 시각화는 데이터사이언스 과정의 탐색적 데이터 분석에서 중요하게 사용되는 방법론이다. 적절한 시각화를 통해 데이터를 깊게, 직관적으로 이해할 수 있다. 본 강좌에서는 데이터 시각화의 효용성, 좋은 시각화 예 및 파이썬 기반 시각화도구를 소개함으로서 데이터 시각화 기술에 대한 흥미를 돋우고자 한다.
모듈번호 3-1 파이썬 시각화 기술 기본 Introduction to Python Data Visualization
데이터 시각화는 데이터사이언스 과정의 탐색적 데이터 분석에서 중요하게 사용되는 방법론이다. 적절한 시각화를 통해 데이터를 깊게, 직관적으로 이해할 수 있다. 본 강좌에서는 파이썬 시각화 API에 기반한 데이터 시각화 기술과 알고리즘을 전반적으로 다룸으로서 시각화 기술을 데이터 사이언스에 효율적으로 적절하게 사용할 수 있도록 한다. 실제 예제들이 코드와 함께 소개될 것이다.
 
N-동적시각화기술
모듈번호 3-2 [네크워크, 지도 및 동적 시각화 기술 Network, supervision, and dynamic visualization
데이터 시각화는 데이터사이언스 과정의 탐색적 데이터 분석에서 중요하게 사용되는 방법론이다. 적절한 시각화를 통해 데이터를 깊게, 직관적으로 이해할 수 있다. 본 강좌에서는 파이썬 시각화 API에 기반한 데이터 시각화 기술과 알고리즘을 전반적으로 다룸으로서 시각화 기술을 데이터 사이언스에 효율적으로 적절하게 사용할 수 있도록 한다. 실제 예제들이 코드와 함께 소개될 것이다.
 
N-탐색적데이터분석
모듈번호 4-1 탐색적 데이터 분석 Exploratotory Data Analysis
탐색적 데이터 분석(EDA)이란 데이터를 분석하여 데이터에 관한 주요 특성을 요약적으로 알아내기 위한 접근법이다. EDA는 통계적 그래픽 기법과 계량적 분석 기법을 모두 사용하며, 기법과 함께 분석자의 자발성 또는 유연성 같은 마음가짐을 강조한다. 이 강의를 통해, 데이터에 대한 4가지 기본 가정을 검증하기 위한 다양한 통계적 그래픽 기법들과 계량적 기법, 기본 가정이 깨질 때 발생되는 문제들과 해결 방법에대하여 배운다. 실제 데이터세트를 사용한 사례 연구를 통해 이해를 깊이하고 응용 능력을 키운다.
 
N-기계학습
모듈번호 5-1 지도학습 알고리즘 supervised learning algorithms
본 강의는 머신러닝의 한 분야로 참인 예측값이 학습 데이터로 주어지는 지도학습 알고리즘에 대해 다룬다. 지도학습 알고리즘에서는 기본적으로 선형 모델을 이용한 회귀와 분류 문제를 다루고, 볼록 최적화에 기반한 support vector machine과 더불어 decision tree, random forest 등을 배운다. 또한 지도학습 알고리즘의 근간이 되는 확률 이론과 통계적 추론에 대해서도 이해할 수 있다.
모듈번호 5-2 비지도학습 알고리즘 Unsupervised learning algorithms
기계학습은 데이터에 명시적, 암묵적으로 나타나는 패턴을 감지하여 의미 있는 정보를 추출, 의사결정을 지원하는 방법론을 자동으로 학습한다. 학습의 형태와 정보량에 따라 지도학습, 비지도학습, 강화학습으로 분류된다. 본 강의에서는 훈련 데이터에 레이블이 없어서 데이터 그 자체를 분석하는 것을 주 목적으로 하는 비지도학습 (unsupervised learning) 의 개념을 이해하고, 다양한 비지도학습 알고리즘의 원리와 적용 방법을 공부한다. 특히 군집화 (clustering), 차원축소 (dimensionality reduction), 은닉마코프모델 (hidden markov models), 그래프 모형 (graphical models) 등의 주제들을 학습한다.
모듈번호 5-3-1 딥러닝 기초 Introduction to Deep Learning
딥러닝은 가장 활발히 연구되는 AI 분야이다. 이 강의를 통해 학생들은 신경망의 핵심적 원리 및 개념을 이해하고 간단한 신경망을 실제 구축할 수 있는 방법을 배우게 되며, 향후 본격적인 딥러닝 학습을 위한 기초를 다지게 된다. 이 강의에는 다층 퍼셉트론, 계산그래프, 역전파 알고리즘, 컨볼루션 신경망(CNN) 및 케라스를 사용한 신경망 구축 방법 등이 포함된다.
 
N-딥러닝 알고리즘
모듈번호 5-3-2 딥러닝 알고리즘 Deep Learning Algorithms
이 강의에서는 신경망의 기본 원리를 이해한 학생들이 본격적으로 딥러닝의 최신 기법들을 학습하게 된며, CNN의 대표적 최신 기법들을 학습하고 신경망을 구축하는 방법을 이해하며, 머신러닝 프로젝트를 성공적으로 수행하는 방법을 배운다. 강의에는 컨볼루션 신경망의 최신 기법들, 순환신경망(RNN, LSTM), 최적화기, 규제화, 정규화, 초기화 외에도 컴퓨터 비젼을 위한 객체탐지 및 영상분할, Attention mechanism 및 Transformer, Transformer 기반의 최신 언어모델, 그래프 기반 신경망, 그리고 생성 모델인 오토인코더 및 생성적 대립 신경망 등이 포함된다.
 
N-추천시스템 기본알고리즘
모듈번호 6-0 추천시스템 소개 Beginner’s Introduction to Recommender Systems
인터넷 시대를 살고 있는 우리 주변에서 추천시스템은 도처에 존재한다. 영화 추천, 도서 추천, 그리고 뉴스 검색은 물론 친구 추천까지 웹을 기반으로 하는 모든 사업에서 추천시스템은 필수 도구이다. 추천시스템은 사용자의 선택을 도와주고, 만족도를 높이며 나아가 고객충성도를 높여준다. 이 강의는 추천시스템 과목을 선택하기 전에 추천시스템에 대해 간단한 알아보는 강의이다. 이 강의에는 흔히 접할 수 있는 추천시스템의 사례, 롱테일 이론, 추천시스템의 필요성, 추천시스템의 주요 유형이 포함된다.
모듈번호 6-1 추천시스템 기본 알고리즘 Introduction to Recommender Systems
추천시스템은 통계학 및 머신러닝의 다양한 기법들을 활용하는 매우 실용적 목적의 시스템이다. 학생들은 추천시스템의 기본 알고리즘인 협업필터링, 콘텐트 기반, 지식 기반 및 하이브리드 추천시스템 알고리즘에 대하여 학습한다. 이 강의에는 유형별 주요 모델들 외에도, 평점 행렬의 희박성 문제와 차원 축소 방법, 편향 문제의 처리, 협업필터링의 이웃기반 및 사용자 기반 모델, 군집화를 이용한 이웃기반 협업필터링, 머신러닝 모델을 사용한 협업필터링, 잠재요인 모델, 제약 및 비제약 행렬분해 알고리즘, 교대최소제곱법 등 추천시스템의 주요 개념 및 알고리즘이 포함된다.
 
N-추천시스템 고급알고리즘
모듈번호 6-2 추천시스템 고급 알고리즘 Intermediate Course on Recommender Systems
이 강의는 추천시스템의 주요 개념들과 기본 알고리즘들에 대한 지식을 갖춘 학생들을 위한 고급 과정이다. 이웃기반 협업필터링 및 모델기반 협업필터링의 확장, 각종 접근방법의 통합적 관점에서의 고찰, 심층 신경망을 사용한 추천시스템에 등 대하여 강의한다. 상황인지 추천시스템, 여러 접근법을 결합한 하이브리드 추천시스템, 추천시스템 평가 방법 등이 포함된다.
 
N-시계열 분석 기본이론
모듈번호 7-0 시계열 분석 소개 Introduction to Time-Series Analysis
본 수업에서는 시계열 데이터의 특성에 관하여 학습한다. 시계열 데이터에 왜 주목해야 하는지 이해하고, 시계열 데이터를 활용하여 실제 생활에서 사용하고 있는 다양한 예시를 학습한다.
모듈번호 7-1 시계열 기본이론 Basic Time-series
본 수업에서는 시계열의 개요와 역사부터 다양한 시계열 데이터를 정제하고 학습하고 시각화 하는 방법을 배운다. 시계열 데이터를 활용하여 시뮬레이션을 하고 적절한 형태로 저장하는 방법에 관하여 학습을 한다. 그리고 시계열 데이터에 적용 될 수 있는 다양한 통계적 모델링에 관하여 학습하고 이를 실제 데이터에 적용한 예시들을 학습한다.
 
N-시계열 분석 알고리즘
모듈번호 7-2 시계열 분석 알고리즘 Time Series Analysis Algorithms
본 수업에서는 시계열의 개요와 역사부터 다양한 시계열 데이터를 정제하고 학습하고 시각화 하는 방법을 배운다. 시계열 데이터를 활용하여 시뮬레이션을 하고 적절한 형태로 저장하는 방법에 관하여 학습을 한다. 그리고 시계열 데이터에 적용 될 수 있는 다양한 통계적 모델링에 관하여 학습하고 이를 실제 데이터에 적용한 예시들을 학습한다.
 
N-금융거래 시계열 분석
모듈번호 7-3 금융거래 시계열 분석 ime Series Analysis of Financial Transactions
이 강의는 금융거래분석 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 금융거래분석 나노디그리 9개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 금융거래분석에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.
 
N-비즈니스 애널리틱스
모듈번호 8-1 비즈니스 애널리틱스 Business Analytics
이 강의는 비즈니스애널리틱스 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 비즈니스애널리틱스 나노디그리 9개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 비즈니스애널리틱스에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.
 
N-데이터사이언스 캡스톤프로젝트
모듈번호 9-1 데이터사이언스 캡스톤프로젝트 Data Science Capstone project
이 강의는 데이터사이언스 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 데이터사이언스 나노디그리 7개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 데이터사이언스 전반적인 내용에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.
 
N-금융거래분석 캡스톤프로젝트
모듈번호 9-2 금융거래분석 캡스톤프로젝트 Financial transaction analysis Capstone project
이 강의는 금융거래분석 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 금융거래분석 나노디그리 9개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 금융거래분석에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.
 
N-비즈니스애널리틱스 캡스톤프로젝트
모듈번호 8-1 비즈니스 애널리틱스 Business Analytics
이 강의는 비즈니스애널리틱스 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 비즈니스애널리틱스 나노디그리 9개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 비즈니스애널리틱스에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.
 
N-추천시스템 캡스톤프로젝트
모듈번호 9-4 추천시스템 캡스톤프로젝트 Recommender Systems Capstone project
이 강의는 추천시스템 나노디그리를 이수하기 위한 과목이다. 사이버강의로 제공되는 추천시스템 나노디그리 9개 강의들과 함께 한 학기에 수강하여 나노디그리를 취득하는 것을 권장한다. 추천시스템에 대한 실습 및 사례분석을 통해 실세계 문제에 대한 해결 방법을 배운다.

운영교수진

성명 소속 직위 전공분야 담당 모듈명
김광일 SW교육원 교수 인공지능, 알고리즘
  • 데이터과학 소개
  • 데이터과학 기초이론
  • 기계학습 기본 알고리즘
  • 탐색적 데이터 분석
  • 딥러닝 알고리즘
  • 추천시스템 소개
  • 추천 시스템 기본 알고리즘
  • 추천 시스템 고급 알고리즘
  • 데이터사이언스 캡스톤프로젝트
  • 추천시스템 캡스톤프로젝트
이현봉 SW교육원 대우교수 인공지능, 두뇌이론
  • 데이터과학 소개
  • 데이터과학 기초이론
  • 스토리텔링과 효과적인 시각화의 가치
  • 파이썬 시각화 기술 기본
박성식 인공지능학과 교수 로보틱스
  • 지도학습 알고리즘
장혜령 인공지능학과 교수 기계학습
  • 비지도학습 알고리즘
김지희 인공지능학과 교수 인공지능
  • 딥러닝 기초
  • 딥러닝 알고리즘
이우진 인공지능학과 교수 빅데이터, 인공지능
  • 시계열 분석 소개
  • 시계열 기본이론
  • 금융거래분석 캡스톤프로젝트
  • 비즈니스애널리틱스 캡스톤프로젝트
미정      
  • 네트워크, 지도 및 동적 시각화 기술
  • 시계열 분석 알고리즘
  • 금융거래 시계열 분석
  • 비즈니스 애널리틱스

책임교수 한마디

학생의 수준에 따라 1~2학기 내에 데이터사이언스 관련 Nano Degree를 취득할 수 있는 과정입니다. 본인 전공 시간표와 겹쳐 데이터사이언스 관련 전문역량을 키울 수 없었다면 캡스톤프로젝트 1학점을 제외하고 모두 사이버강의로 운영되는 Nano Degree에 도전하세요.

진로

  • 진로 분야 : 데이터 수집 · 처리 · 분석 · 활용 · 저장 및 관리 관련 분야의 정부 및 공공기관, 국 · 내외 민간기업 등 다양한 분야의 업무 종사
  • 커리어 예시 : 데이터 분석가, 데이터 시각화 전문가, 데이터 큐레이터, 데이터 웨어하우스 관리자, 데이터 아키텍트, 데이터 모델러, 소비자 분석 전문가, 웹 마케팅 전문가 등
  • 관련자격증 : 정보처리기사, 데이터분석전문가(ADP), 데이터분석준전문가(ADsP), 데이터아키텍처전문가(DAP), 데이터아키텍처준전문가(DAsP), SQL전문가(SQLP), SQL개발자(SQLD)

 

  • 문의

    정보문화관 P동 407-124호 SW교육원

  • 전화

    02-2290-1410

동국대학교 챗봇 서비스