데이터 과학 및 머신 러닝(석사)

이론: 통계적 학습, 확률적 모델링, 최적화 및 일반화.

연습: 딥 러닝(비전/시계열), 지리공간 또는 생물/의학 데이터 응용 프로그램, 기능 엔지니어링 및 정확도를 넘어선 평가(교정, 공정성).

엔지니어링: 재현성, 버전 관리된 데이터/모델, 기본 MLOps 및 실험 추적.

학제 간 작업: 실제 데이터 세트 및 제약 조건을 사용하는 도메인 연구실(예: 환경, 생물의학)이 있는 프로젝트.

윤리 및 안전: 편견, 개인 정보 보호 및 모델 위험 관리. 투명한 보고.

캡스톤 프로젝트/학위논문: 코드, 문서, 오류 분석이 포함된 출판 가능하거나 생산에 바로 투입 가능한 프로젝트.

성과: 응용 과학자/DS 역할, 연구 조수, 박사 과정 파이프라인.