성균관대학교 데이터사이언스융합학과 대학원 학업계획서
분야
hwp성균관대학교 데이터사이언스융합학과 대학원 학업계획서
1. 진학 동기 (왜 이 전공, 왜 이 학교인가)
2. 학업 및 연구 계획 (수강할 과목, 방법, 목표)
3. 연구 관심 분야 (어떤 주제에 관심이 있는가)
4. 졸업 후 진로 및 포부
1. 진학 동기 (왜 이 전공, 왜 이 학교인가)
제가 데이터사이언스 분야를 대학원에서 본격적으로 연구하고자 결심한 이유는, 데이터가 단순한 기록을 넘어 현상을 해석하고 미래를 예측하는 지식의 언어라는 확신이 들었기 때문입니다. 학부 시절 통계학과 컴퓨터공학을 복수전공하면서 데이터 분석 프로젝트를 수행할 기회가 많았는데, 그 과정에서 저는 숫자 속에 숨어 있는 인간의 행동 패턴과 사회 구조의 변화를 읽어내는 일이 얼마나 흥미롭고 중요한 일인지를 깨달았습니다. 단순히 수치를 다루는 기술이 아니라, 복잡한 문제를 구조적으로 이해하고 새로운 통찰을 도출하는 사고방식이 데이터사이언스의 본질이라는 사실을 실감했습니다.
처음 데이터 분석에 몰입하게 된 계기는 학부 2학년 때 진행한 소셜 미디어 감성 분석 프로젝트였습니다. 당시에 저는 Python과 R을 사용해 SNS 게시물의 텍스트 데이터를 수집하고, 문장 내 감정 단어의 빈도와 문맥을 분석하여 사회적 이슈에 대한 여론 변화를 시각화했습니다. 단어 구름이나 시계열 그래프를 통해 감성의 흐름을 시각화하면서, 데이터가 단순한 숫자의 집합이 아니라 사람들의 감정과 인식이 축적된 형태라는 점을 직접 체험했습니다. 기술적인 성취보다 인문학적 통찰을 얻는 과정이 더 흥미로웠습니다. 데이터는 인간의 삶을 이해하기 위한 또 하나의 언어였고, 그 언어를 정확히 해석하기 위해서는 수학적 사고와 사회적 맥락의 통합적 접근이 필요하다는 사실을 깨달았습니다.
이후 저는 공공데이터 기반 도시 문제 분석 프로젝트에 참여했습니다. 교통사고, 대기오염, 상권 데이터 등을 융합하여 도시 내 위험 지역을 예측하는 모델을 개발하는 과제였습니다. 이때 저는 머신러닝 모델이 단순히 수학적 연산을 반복하는 것이 아니라, 현상의 구조를 찾아내는 과정임을 배웠습니다. 데이터 전처리부터 변수 선택, 회귀분석과 의사결정나무 모델링에 이르기까지 모든 과정이 논리적 추론의 연속이었습니다. 특히 예측 모델의 정확도보다 중요한 것은 모델이 제시하는 원인과 경향의 해석 가능성이라는 점을 배웠습니다. 데이터사이언스는 단순히 알고리즘의 성능 경쟁이 아니라, 결과를 인간의 언어로 번역하는 학문이라는 확신이 들었습니다.
그 경험을 계기로 데이터 분석의 철학적 깊이를 탐구하고 싶다는 열망이 생겼습니다. 제가 연구하고자 하는 방향은 인공지능 기술과 데이터 해석의 융합적 접근입니다. 최근 AI 기술이 급격히 발전하고 있지만, 모델이 생성한 결과의 의미를 해석하고 사회적으로 적용하는 능력은 여전히 인간의 역할입니다. 데이터는 알고리즘에 의해 계산될 수 있지만, 그 안의 의미는 학문적 해석을 통해만 드러납니다. 저는 데이터사이언스를 단순한 기술 분야가 아닌, 수학·통계·컴퓨터공학·사회과학이 결합된 융합학문으로 보고 있습니다.
성균관대학교 데이터사이언스융합학과는 제가 이 목표를 실현하기에 가장 적합한 학문적 환경이라고 판단했습니다. 이 학과는 통계, AI, 컴퓨터비전, 자연어처리 등 다양한 연구분야를 포괄하며, 산업과 학문을 동시에 아우르는 연구 시스템을 구축하고 있습니다. 특히 ‘데이터 기반 지능형 의사결정’, ‘딥러닝 응용’, ‘비정형 데이터 분석’ 등의 과목은 제가 실무에서 느꼈던 문제의식을 학문적으로 심화시킬 수 있는 핵심 교과라고 생각합니다. 또한 성균관대학교의 데이터사이언스연구소에서 진행 중인 사회문제 해결형 빅데이터 프로젝트는 제가 지향하는 연구 방향과 일치합니다.
저는 대학원에서 데이터의 수집과 분석, 그리고 해석의 전 과정을 체계적으로 연구하고 싶습니다. 데이터를 도구로 사용하는 수준을 넘어서, 데이터를 통해 세계를 해석하고 인간의 행동을 이해하는 사고의 틀을 구축하는 것이 제 진학의 궁극적 목표입니다. 성균관대학교의 융합적 교육환경과 연구 중심 시스템은 제가 그 목표를 실현할 수 있는 최적의 기반이 될 것이라 확신합니다.
2. 학업 및 연구 계획 (수강할 과목, 방법, 목표)
대학원에 진학한 이후 저는 데이터 해석을 통한 인공지능 모델의 설명 가능성(Explainable AI, XAI) 연구를 중심으로 학업을 진행할 계획입니다. 최근 인공지능 기술은 발전 속도가 빠르지만, 모델이 어떻게 결론을 내리는지 이해하기 어렵다는 문제를 안고 있습니다. 저는 데이터사이언스의 핵심이 단순한 예측 정확도가 아니라, 결과를 설명할 수 있는 구조적 이해에 있다고 생각합니다. 따라서 제 연구는 데이터의 통계적 특성과 알고리즘의 수학적 구조를 동시에 분석하여, 신뢰 가능한 인공지능 모델을 설계하는 데 초점을 맞출 것입니다.
1학기에는 이론적 기반을 탄탄히 다지기 위해 ‘고급통계학’, ‘기계학습이론’, ‘딥러닝모델링’, ‘데이터시각화기법’ 과목을 수강할 예정입니다. 이를 통해 데이터 분석의 수리적 토대를 확립하고, 실제 연구에 필요한 프로그래밍 및 모델링 역량을 강화할 계획입니다. 각 과목에서 배운 개념을 실제 데이터셋에 적용해보며 실험적 감각을 키우겠습니다. 예를 들어, 통계적 회귀모델을 사용해 비선형 데이터의 경향을 분석하거나, 신경망 모델의 은닉층 가중치를 시각화하여 모델의 학습 과정을 해석하는 연습을 할 것입니다.
2학기부터는 설명 가능한 인공지능 모델 개발과 비정형 데이터 분석을 중심으로 본격적인 연구를 진행하겠습니다. 연구 주제로는 이미지, 텍스트, 센서 데이터 등 서로 다른 형태의 데이터를 결합하여 예측력과 해석력을 동시에 확보할 수 있는 멀티모달 분석 모델을 설정하고자 합니다. 예를 들어, 의료영상 데이터와 임상기록 데이터를 함께 학습시키는 모델을 개발하여, 질병 예측뿐 아니라 진단 근거를 함께 제시하는 시스템을 구현하고 싶습니다. 이 연구를 통해 AI의 결과를 단순한 예측이 아닌 인간이 이해할 수 있는 설명 구조로 변환하는 방법론을 제시할 계획입니다.
연구 방법은 데이터 기반 실험과 수학적 모델 검증의 병행 구조로 설계하겠습니다. 우선 대규모 공개 데이터셋(CIFAR, ImageNet, Kaggle 데이터 등)을 활용하여 모델의 성능을 검증하고, Python 기반의 TensorFlow, PyTorch를 활용해 신경망 구조를 직접 구현할 예정입니다. 동시에 통계적 검증 기법을 적용하여 모델이 생성한 결과가 통계적으로 유의미한지 분석하겠습니다. 이렇게 수학적 근거와 실험적 결과를 동시에 확보함으로써, 모델의 신뢰성과 설명력을 객관적으로 입증할 수 있을 것입니다.