If the collection is public, the memo for this book will also be public.
Your Browsing History
There is no data.
There is no data.
loading...
This study aims to explore the direction of restructuring the probability area of the mathematics curriculum by identifying the orientation, core goals, and tasks of data-driven probability education. It emphasizes fostering probabilistic thinking and problem-solving skills based on data literacy, suggesting data-driven approaches to probabilistic problem solving, and utilizing engineering tools such as probability simulations.
확률변수와 확률과정
확률의 개념과 응용 =
일상의 확률문제 =
Chance encounters : probability in education
통계적 사고의 의미와 교육
(교사를 위한)초등수학교육론
(카르다노가 들려주는) 확률 2 이야기
국제 수학교육 연구 핸드북
(파이썬 기반의 AI를 위한) 기초수학, 확률 및 통계
(건설·환경·교통·도시 분야의 응용을 위한) 공학확률통계
수학과 교육 내용 개선 방안 연구 : '이산수학', '확률과 통계' 영역을 중심으로
비판적 수학교육
Learning mathematics in elementary and middle schools
GAN 인 액션 : 텐서플로 2.x와 케라스로 구축하는 생성적 적대 신경망
R을 이용한 기초통계학
R 통계 프로그래밍 교과서
(R기반의 데이터마이닝을 이용한) 시계열 예측 분석 및 활용
머신 러닝
계량 사회과학 입문 : R을 활용한 데이터 분석
알고리즘 트레이딩 =
이경화; 유연주; 탁병주 · 2021
학교수학
Kazak S.,Pratt D. · 2021
Research in Mathematics Education
陈园园 · 2023
高教学刊 / Journal of Higher Education
Carmen Batanero; Rocío Álvarez-Arroyo · 2024
ZDM: Mathematics Education
魏杰 · 2019
数学教学通讯 / SHUXUE JIAOXUE TONGXUN
李纯净; 张淼; 王纯杰; 赵昱榕 · 2022
高教学刊 / Journal of Higher Education
徐斌 · 2023
小学教学设计 / XiaoXueJiaoXueSheJi
刘星滟; 曹军才 · 2021
数学教学通讯 / SHUXUE JIAOXUE TONGXUN
叶立军; 赵亚婷 · 2021
中学数学月刊 / The Monthly Journal of High School Mathematics
鲍建生; 章建跃 · 2022
中国数学教育(初中版) / Zhongguo Shuxue Jiaoxue
최희선 · 2019
한국학교수학회논문집
周庆欣 · 2017
课程教育研究 / Course Education Research
李衍勋; 丁锐; LI Yanxun; DING Rui · 2022
济宁学院学报 / Journal of Jining University
李群 · 2018
考试周刊 / Kaoshi Zhoukan
金盈 · 2024
辽宁教育 / Liaoning Education
王肖肖; 王家正 · 2023
福建基础教育研究 / Fujian jichu jiaoyu yanjiu
고은성, 탁병주 · 2022
수학교육
田苗; 陈俊英; 王福顺 · 2022
中国大学教学 / China University Teaching
陈龙珠 · 2021
福建教育学院学报 / Journal of Fujian Institute of Education
杨欣霞; 吴春雪; YANG Xinxia; WU Chunxue · 2021
兴义民族师范学院学报 / Journal of Xingyi Normal University for Nationalities
전선 / 학사
확률의 이론을 바탕으로 확률과 통계의 수학적 원리를 이해하고, 확률과 통계의 교육을 위한 교사 지식을 갖춘다. 확률의 정의, 조건부 확률, 확률분포, 기대값 등의 내용을 확률적 모델링과 의사결정의 이론을 배운다. 확률의 기초 이론을 바탕으로 여러 가지 확률변수에 대한 결합확률분포의 이론을 배우고 이를 바탕으로 표본에 대해 모델링하고 통계량의 분포를 유도하는 방법을 배운다. 통계적 추정과 검정의 기본 프레임워크를 이해하고, 데이터로부터 통계적 의사결정을 하는 데 필요한 근거를 체계화 하는 방법을 배운다.전선 / 학사
빅 데이터 분석을 위해 익혀야 할 기본적인 확률/통계 개념을 강의한다. 확률의 정의, 조건부 확률, 확률변수와 표본분포, 통계적 추론, 분포에 관한 추론, 이산자료의 분석, 상관분석과 회귀분석, 분산분석 등의 개념을 다룬다.전선 / 학사
확률변수 및 확률과정의 기초에서는 불규칙 변수를 포함하는 선형 시스템의 해석에 필요한 기본적인 불규칙 신호의 특성과 랜덤 프로세스의 특성을 배운다. 확률이론에 기초한 랜덤상수를 정의하고, 랜덤상수를 다룰 수 있는 1, 2차 모멘트(moment)에 대하여 배운다. 랜덤 프로세스를 정의하고 흔히 쓰이는 랜덤 프로세스인 Gaussian random Process와 Poisson random process의 특성을 알아본다. 선형 stationary process에 널리 쓰이는 power spectrum에 대하여 배우고 이를 이용한 선형 불규칙 시스템의 해석 방법을 소개한다. 간단한 선형 불규칙 시스템을 예를 들어 확률 변수 및 확률 과정의 기초가 선형 시스템 해석에 어떻게 이용되는지 알아본다.전필 / 학사
자연과학뿐만 아니라 현대사회에서 거의 모든 현상을 이해하기 위하여 확률적 방법이 도입되고 있다. 또한 확률 이론은 현대수학의 중요한 분야이며 인공지능, 컴퓨터통신 등 컴퓨터과학에도 응용범위가 매우 크다. 이 과목에서는 먼저 확률의 기본 개념을 이해하고 이를 통하여 자연과학, 공학, 사회과학 등에서 사용되는 확률적 사고 및 접근방법을 공부하며, 아울러 이에 필요한 수학적 기법도 소개한다. 통계학 전공 필수과목인 수리통계를 수강하는데도 큰 도움이 된다.전필 / 학사
통계학은 데이터에 기반한 합리적인 의사결정을 위한 이론적 토대를 제공한다. 본 과목에서는 통계이론의 기초가 되는 확률의 개념과 확률 변수의 성질들을 다루고, 통계적 추정과 검정을 다룬다. 본 과목을 통하여 학생들은 데이터의 생성 과정을 확률 모형으로 이해할 수 있고, 데이터 분석에 필요한 통계적 추론 방법의 이론적 토대를 갖춘다.전필 / 학사
통계학은 데이터에 기반한 합리적인 의사결정의 이론적 토대를 제공한다. 본 과목에서는 통계이론의 기초가 되는 확률의 개념과 확률 변수의 성질들을 다루고, 통계적 추정과 검정을 다룬다. 본 과목을 통하여 학생들은 데이터의 생성 과정을 확률 모형으로 이해할 수 있고, 데이터 분석에 필요한 통계적 추론 방법의 이론적 토대를 갖출 수 있다.전선 / 학사
인공지능은 수학교육의 내용과 방법에 영향을 미치고 있다. 이 과목은 인공지능의 수학적 원리와 인공지능과 융합된 수학 교육에 대해 배우고, 인공지능을 활용한 수학교육의 가능성을 탐색한다. 텍스트 분석, 이미지 분류 문제에 사용되는 수학적 모델의 원리, 데이터로부터 회귀분석과 기계학습을 이용해 예측 모델을 구성하는 방법, 인공신경망과 경사하강법에 대해 배우고 데이터를 사용한 인공지능 구현 프로젝트를 수행한다. 수학교육과 관련된 문제에 인공지능 관련 기술이 어떻게 적용될 수 있는지도 탐색해 본다.전선 / 대학원
확률과정 이론은 현대 확률론 분야의 핵심 이론이며 공학, 과학, 응용수학 등 다양한 분야에 활용되고 있다. 이 과목에서는 확률과정 연구의 수학적 기반을 배운다. Levy processes, subordinator, Feller process, martingale, Markov semigroup, Dirichlet problem, SDE, tightness, weak convergence 이론을 다룬다.전필 / 학사
확률적 사고 및 방법은 현대 과학의 모든 분야에서 그 분야의 발전에 지대한 영향을 미치고 있다. 본 강의에서는 학부 저학년 수준에 알맞은 확률론의 이론 전개와 더불어 확률이론의 직관성, 다양한 응용/활용 사례를 다룸으로써 확률론의 개념을 정립하고 자신의 분야에서 그 응용 및 활용 가능성을 이해하도록 한다.전필 / 학사
본 과목은 산업공학에 필요한 통계학적 이론과 실무적 기법을 제공하는 것을 목적으로 함. 구체적인 내용은 추정과 검정, 회귀분석, 실험계획 및 분산 분석, 비모수통계 등을 기본적인 방법론으로 하여 산업공학에서 제기되는 다양한 공학적, 관리적 현실문제들을 통계 소프트웨어를 사용하여 분석하고 전략적 의미를 도출하는 능력의 배양에 초점을 맞춤.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.공통 / 대학원
이 강의에서는 확률과 통계에 대한 기초 개념과 이론을 학습하고, 사회과학과 경영학의 연구 자료를 분석하는 자료 분석 기법을 습득할 것이다. 이 강의에서 다루는 내용은 확률, 추정의 개념과 추정방식, 확률 분포, 가설 검증의 이론적 배경과 이를 바탕으로 한 회귀분석과 분산 분석과 같은 자료 분석 기법이다. 또한 통계 패키지인 R을 사용하여 실제 자료를 분석하는 방법들도 학습할 것이다.전선 / 대학원
이 교과목은 현대 계산수학 이론을 중점적으로 다루며 확률론적, 비확률론적 계산 방법을 학습함을 목표로 한다. Fundamental Arithmetics, Euclidean Algorithm, Modular Algorithms, Fast Multiplication, Topological Data Analysis, Principles of Monte Carlo, Markov Chain Monte Carlo, Variance Reduction Techniques, Importance Sampling 등의 주제를 다룬다.전선 / 학사
데이터에 대한 탐색과 통계적 탐구를 수행하는 방법을 배운다. 데이터의 종류와 특성을 이해하고, 적절한 시각화와 분석을 통해 데이터에 숨은 정보를 찾아내고 근거에 기반을 둔 합리적인 의사결정을 하는 방법을 배운다. 데이터에 존재하는 관계성을 찾아 수학적으로 모델링하는 방법으로써 상관관계의 분석과 회귀분석, 클러스터링 기법 등을 배운다. 데이터를 이용한 통계적 탐구를 지도하는 방법을 배운다.전선 / 대학원
기계학습은 다양한 분야에서 점차 큰 관심을 받고 있으나, 막상 실제 데이터에 적용하여 성공적인 결과를 도출하는 데에는 많은 어려움이 따른다. 본 과목은 기계학습 기법들을 실제 문제에 적용할 때에 중요한 데이터 전처리, 피쳐 추출, 차원 축소, 클래스 불균형, 모델 앙상블 등의 주제들을 다루고, 데이터로부터 모형과 종속성을 학습하는 원리와 기법들을 소개하는 바, 특히 확률, 통계 및 최적화 이론에 기반하여 신경망 (Neural Networks), 서포트 벡터 머신 (Support Vector Machines), 은닉 마르코프 모형 (Hidden Markov Models) 및 강화 학습 (Reinforcement Learning) 기법들을 공부한다. 또한, 이들 기법을 활용하여, 다양한 시계열 데이터들을 대상으로 예측 및 분류 모델을 구현하는 프로젝트들과 데이터 기반 학습의 사례 연구들이 포함된다.전선 / 학사
본 과목은 확률 및 확률 과정에 관한 기본 개념과 공학적인 응용을 다룬다. 샘플링 이론, 확률 법칙, 조건부확률 및 독립성, 확률 변수와 분포함수, 기대치, 분산, 공분산, 대수의 법칙, 중심극한정리, 마르코프 사슬 등을 포함한 이산 및 연속 확률 이론의 기초 결과와 방법을 공부한다.전선 / 학사
본 강의에서는 통계적 추론에 기반한 기계학습의 기초에 대하여 학습하고 조선해양공학의 응용문제에 대한 프로젝트를 수행한다. 기계학습에 관련된 확률, 선형대수, 최적화의 기초에 대하여 학습한다. 확률에 기반한 최우추정법에 대하여 학습한다. 비지도 학습 분류 방법 및 선형 회귀법에 대하여 학습한다. Hidden Markov 모델과 Bayesian Inference의 개념, 이론 및 알고리즘에 대한 개요를 학습한다. Neural Network에 기반한 학습모델로 이미지 인식을 위한 Convolutional Neural Network, 음성과 같은 time series 데이터의 학습을 위한 Recurrent Neural Network의 개요에 대하여 학습한다. 그리고 보상에 따라 학습하는 Reinforcement Learning에 대하여 익힌다. 마지막으로 조선해양공학 응용의 기계학습 프로젝트를 수행하도록 한다.전선 / 학사
본 수업에서는 데이터를 이용한 모형의 추론과 예측모형 생성을 배우며, 그 과정을 통해 질문의 구조화, 데이터 수집과 정리, 통계추론, 예측모델링, 의사결정과정의 핵심원리를 배운다. 중급수준의 데이터의 변환, 데이터 정제, 모형적합, 모형선택, 모형진단 등에 대한 기초이론을 배우며, 데이터 실습을 통해 그 과정을 익힌다.전선 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.전선 / 대학원
확률론에의 엄밀한 수학적 접근이 본 과목의 목표이며 시간이 허락한다면 응용 분야의 한 주제를 커버할 수도 있다. 교과내용은 아래의 토픽에서 선택적으로 구성하도록 한다: 확률론의 수학적 기초, 수렴정리, 마코프 과정론, 마팅게일 이론, 브라운 운동, 확률적분, 확률미분방정식, 각종 확률과정론, 확률적 해석학, 말리아벵 계산, 물리학, 생물학, 사회과학, 공학 등에의 응용