정보 사회가 도래함에 따라 정보처리 전문요원의 수요가 급격히 늘어나고 있다. 이런 시대적인 요청에 부응하기 위하여 본 전공에서는 데이터사이언스 트랙과 인공지능 트랙을 둔다. 이런 세부 전공 트랙들에 대한 개괄적인 설명과 각 트랙에서 개설한 과목들에서 다루는 내용은 다음과 같다.

정보의 효율적 관리와 접근, 그리고 응용을 위한 데이터베이스 설계와 운용 기법, 통계기반 데이터 분석, 소셜미디어 데이터 분석, 빅데이터 예측분석 등에 대해 심도 있게 학습한다.

인공지능 기술의 기초를 터득하고 데이터 마이닝 기법, 음성 인식과 영상 인식, 자연어 처리 기법 등의 학습을 통하여 다양한 분야에 인공지능 기술을 응용할 수 있는 능력을 배양한다.

GITA385. 딥러닝 기초(Introduction to Deep Learning) 2학점

딥러닝의 기초가 되는 신경망(Neural Network)의 기본 구조 및 동작 원리, 역전파 학습(Backpropagation) 알고리즘, 학습 데이터 및 학습 방법에 대하여 설명하고, 이를 바탕으로 이미지 정보 처리에 많이 사용되는 CNN(Convolutional Neural Network)을 이미지 분류(Image Classification), 객체 인식(Object Detection) 등의 응용에 적용하는 방법에 대하여 설명한다.

GITA386. 빅데이터 마이닝(Big Data Mining) 2학점

메모리에 저장할 수 없는 대용량 데이터베이스로부터 사전에 알려지지 않은 잠재적인 유용한 정보를 추출하는 내용을 다룬다. 유사 항목 검색, 데이터 스트림 처리, 다중빈도 항목 마이닝, 클러스터링, 추천 등 기술을 다룬다. 분산 파일 시스템과 맵리듀스를 바탕으로 대용량 데이터에 작동하는 병렬 알고리즘을 다룬다.

GITA387. 메타버스: 이해와 응용(Metaverse: Understanding & Application) 2학점

메타버스에 대한 원론적 이해를 도모하고 4R(VR/XR/MR/AR), AI, 3D Graphic Engine 등 메타버스를 구성하는 핵심 요소 기술에 대한 기본적 이해를 통해 엔터테인먼트 영역을 넘어 산업 전반으로 메타버스를 확대 적용할 가능성에 관하여 탐구하는 것을 목적으로 한다. 또한, 산업용 메타버스 플랫폼 구축을 위해 추가적으로 융합되어야 하는 핵심 요소 기술들을 도출하고, 특정 산업분야에서 메터버스를 통해 진행되고 있는 공정혁신 사례를 탐구한다.

GITA388. 패턴인식(Pattern Recognition) 2학점

패턴인식은 패턴매칭, 통계적 분석, 구조적 분석, 신경망 처리 등을 이용하여 패턴의 특성을 분석하는 학문이다. 본 교과목에서는 통계적 패턴인식 방법, 고차원 데이터 처리, 군집화 및 신경망 기반 처리 방법 등에 대하여 학습하게 된다. 다양한 데이터를 분석하는 알고리즘의 학습을 통하여 데이터를 처리하는 통찰력을 배양하도록 한다.

GITA389. 인공지능 확률통계(Probability and Statistics for AI) 2학점

인공지능, 머신러닝, 및 데이터 분석 분야에서 사용하는 다양한 확률통계이론을 이해하고 연구하기 위하여 필요한 기본적인 확률통계의 개념을 학습한다. 확률분포 모델 및 각 확률분포 모델의 파라메터 추정 방법에 대한 수학적 개념과 계산방법에 대하여 학습한다. 그리고 확률론적 모델링 및 분석 이론의 기반이 되는 베이즈 추론 방법에 대한 기본적 개념을 학습한다.

GITA390. 시계열 자료 분석과 예측(Time Series Data Analysis and Forecasting) 2학점

시계열 자료 및 비시계열 자료에 대한 예측 기법과 예측에 대한 모델 평가 방법을 학습한다. 예측 기법으로 선형 회귀모델, 로지스틱 회귀모델, decomposition 모델, ARIMA 모델, ARIMAX 모델, Panel Data 분석 기법을 학습한다. 시계열 분석의 중요한 개념인 정상 시계열, Granger 인과관계, co-integration을 학습한다. 프로그래밍 사례 학습 훈련을 통하여 실제 데이터 분석 능력을 확립하는 것을 목표로 한다.