학과 및 교과과정
융합보건의료과학과
Department of Transdisciplinary Healthcare Sciences
교과목 소개
바이오헬스 데이터과학을 위한 프로그래밍
이 과정은 바이오헬스 연구에서 접하는 다양한 형태의 데이터를 분석하고 방법론 개발을 위한 기초적인 프로그래밍 기술을 익히는 데중점을 둔다. 효율적인 프로그래밍 기술과 재생산 가능한 분석 보고서 작성 능력을 훈련하며, 자기주도적으로 분석을 수행 할 수 있는 역량을 기르는 것을 목표로 한다.
바이오헬스 데이터 과학을 위한 머신러닝
바이오헬스 데이터 과학자를 위한 머신러닝 기본핵심개념을 다룬다. 고차원 모형의 기본개념을 이해하고 활용하는 방법을 배우며, 리샘플링 기반의 추론을 학습한다.
바이오헬스 데이터 과학을 위한 고급 머신러닝
케라스, 텐서플로 등을 활용한 신경망과 딥러닝등의 기본 개념을 학습하며, 다양한 고급 머신러닝 알고리즘을 익힌다.
바이오헬스 데이터과학을 위한 통계 방법론
바이오헬스 분야에 특징적인 다양한 형태의 자료에 적합한 통계 모델링을 위한 기본적인 이론을 소개하고, 실제 데이터를 이용한 실습을 통해 적용, 분석, 해석하는 방법을 다룬다. 다중선형회귀모형, 일반화선형모형(이분형 로지스틱, 다항 로지스틱, 순서형 로지스틱, 포아송)과 영과잉 자료분석을 위한 통계모델링, 생존분석을 위한 콕스비례위험 모형 등에 대해 학습한다.
경시적 자료와 계층적 자료 분석을 위한 고급 통계 방법론
이 과정에서는 시간의 흐름에 따라 반복 측정된 자료와 계층적 구조를 가진 데이터를 분석하기 위한 고급 통계 모델링을 포괄적으로 다룬다. 경시적 자료 분석에서는 선형혼합효과모형(Linear Mixed Effects Model), 일반화추정방정식(GEE) 등을 학습하여 시간에 따른 데이터 변화와 상관 구조를 반영한 분석을 다룬다. 또한 계층적 자료 분석을 위한 다수준 모형(Multi-level model), 결측자료 분석방법 등을 학습한다. 이론과 실습을 병행하여 경시적 자료와 계층적 자료의 모델링에 대한 이해와 이를 바탕으로 실제 데이터에 대한 분석 역량을 강화하는 것을 목표로 한다.
바이오헬스 네트워크 추론을 위한 통계 방법론
네트워크는 여러 요소들의 복잡한 상호작용을 개념화하며, 다양한 바이오헬스 연구 분야에서 그 수요가 점차 증가하고 있다. 특히 확률적 그래픽 모델 이론을 바탕으로 한 네트워크 추론은 주요 데이터 과학 도구로서 사용 범위가 넓어지고 있다. 이 과정에서는 네트워크 데이터 분석과 더불어, 보건의료 및 유전체 데이터를 대상으로 다양한 형태의 네트워크 시각화 및 추론 방법론을 탐구한다. 또한 여러 분석 도구를 경험하고, 방법론 개발을 위한 시뮬레이션과 프로그래밍 실습을 진행한다.
바이오헬스 데이터과학을 위한 인과성 추론
바이오헬스 데이터에서 인과 관계를 추론하기 위한 이론과 실습을 다루는 교육과정이다. 이 과정에서는 관찰 데이터를 바탕으로 인과적 해석을 도출하는 데 필요한 다양한 방법론을 학습한다. 주요 학습 주제로는 성향점수매칭(Propensity Score Matching), IPTW, Marginal Structural Model, g-formula, Causal Mediation Analysis, Instrumental Variables 등을 포함한다. 이론적 배경을 이해하고, 실습을 통해 수강생들은 복잡한 바이오헬스 데이터에서 인과적 결론을 도출할 수 있는 분석 역량을 습득하게 된다.
SQL과 R을 활용한 의료데이터 분석 워크플로우
이 강의는 SQL 과 R을 활용하여 의료 데이터를 효율적으로 처리하고 분석하는 실무 중심의 워크플로우를 다루게 된다. 의료 데이터베이스에서 데이터를 추출하고 정제하는 SQL 활용법과, 이를 바탕으로 데이터 분석과 시각화를 수행하는 R의 기능을 결합하여 데이터 기반 문제 해결 역량을 배양한다.
바이오헬스 데이터과학 사례연구
실제 바이오헬스 문제를 해결하기 위해 데이터 수집, 처리, 분석 기법이 어떻게 적용되는지 다양한 사례를 통해 배운다. 이 과정은 크게 샘플사이즈가 큰 바이오헬스 빅데이터와 변수가 많은 고차원 유전체 데이터를 다루는 두개의 모듈로 구성되어 있다.
