havard edx course

devlog study data data-analysis harvard statistics probability ml portfolio

---

📊 Harvard 데이터분석 커리큘럼

목표: Harvard 무료 온라인 과정을 활용해 데이터 분석 기초 → 실전 → 포트폴리오까지 단계적으로 학습
학습 방식: 주당 6~8시간 기준

---

🗺️ 전체 학습 로드맵

기초 개념
  └─ 확률 · 인과
        ↓
데이터 다루기
  └─ R · 전처리
        ↓
분석 & 시각화
  └─ 회귀 · 시각화
        ↓
통계 추론
        ↓
머신러닝
        ↓
Capstone 프로젝트

---

🗓️ 학습 플랜 요약 (주차별)

기간	학습 목표	과정
1–2주	확률 & 인과 개념 이해	Probability, Causal Diagrams
3–4주	데이터 다루기	R Basics, Wrangling
5–6주	시각화 & 회귀	Visualization, Linear Regression
7–8주	통계 추론	Inference and Modeling
9–10주	머신러닝 기초	ML Models, AI with Python
이후	포트폴리오	Capstone

---

1️⃣ 기초 개념: 확률 & 인과 (1–2주)

왜 이 단계가 필요한가?

• 데이터 분석은 불확실한 정보에서 판단을 내리는 일
• 확률과 인과를 이해하지 못하면
  → 숫자는 보이는데 해석을 못 하는 상태가 됨

학습 포인트

• 확률 분포란 무엇인가
• 상관관계 ≠ 인과관계
• “이 결과를 믿어도 되는가?”를 판단하는 기준

강의

• Data Science: Probability
  🔗 https://pll.harvard.edu/course/data-science-probability

• Causal Diagrams: Draw Your Assumptions Before Your Conclusions
  🔗 https://pll.harvard.edu/course/causal-diagrams-draw-your-assumptions-before-your-conclusions

📌 연결 노트 추천
→ 확률 기본 개념 정리
→ 상관관계와 인과관계

---

2️⃣ 데이터 다루기: R & 전처리 (3–4주)

왜 이 단계가 중요한가?

• 실제 데이터 분석의 80%는 전처리
• “모델”보다 “데이터 상태”가 결과를 더 크게 좌우함

학습 포인트

• 데이터 프레임 구조 이해
• 결측치, 이상치 처리
• 데이터 정리 흐름 만들기

강의

• Data Science: R Basics
  🔗 https://pll.harvard.edu/course/data-science-r-basics
• Data Science: Wrangling
  🔗 https://pll.harvard.edu/course/data-science-wrangling

📌 연결 노트 추천
→ R 기본 문법
→ 데이터 전처리 체크리스트

---

3️⃣ 시각화 & 모델: 회귀 분석 (5–6주)

이 단계에서 관점 전환

“데이터를 계산하는 사람” → “데이터로 설명하는 사람”

학습 포인트

• 좋은 그래프 vs 나쁜 그래프
• 회귀 분석이 의미하는 것
• 모델 결과를 말로 설명하는 연습

강의

• Data Science: Visualization
  🔗 https://pll.harvard.edu/course/data-science-visualization
• Data Science: Linear Regression
  🔗 https://pll.harvard.edu/course/data-science-linear-regression

📌 연결 노트 추천
→ 데이터 시각화 원칙
→ 선형회귀 직관적으로 이해하기

---

4️⃣ 통계 추론 & 모델링 (7–8주)

왜 이 단계가 필요한가?

• “이 결과가 우연일까?”
• “다른 데이터에도 적용될까?”

→ 통계적 판단 능력을 만드는 단계

학습 포인트

• 신뢰구간
• 가설 검정
• 모델의 한계 인식

강의

• Data Science: Inference and Modeling
  🔗 https://pll.harvard.edu/course/data-science-inference-and-modeling

📌 연결 노트 추천
→ 통계적 추론 정리
→ 모델을 맹신하면 안 되는 이유

---

5️⃣ 머신러닝 기초 (9–10주)

이 단계의 목표

• “머신러닝을 쓸 수 있다” ❌
• “머신러닝이 언제 필요한지 안다” ⭕

학습 포인트

• 지도학습 개념
• 모델 성능 평가
• 과적합 이해

강의

• Data Science: Building Machine Learning Models
  🔗 https://pll.harvard.edu/course/data-science-building-machine-learning-models
• Machine Learning and AI with Python
  🔗 https://pll.harvard.edu/course/machine-learning-and-ai-with-python

📌 연결 노트 추천
→ 머신러닝 개념 지도
→ 모델 선택 기준

---

6️⃣ Capstone 프로젝트 (이후)

목표

• 학습 → 결과물
• 포트폴리오로 설명 가능한 분석 경험 만들기

강의

• Data Science: Capstone
  🔗 https://pll.harvard.edu/course/data-science-capstone