Embedded Files
1. 학술적 활동 분포 (Coursework vs. Activities)
1. 학술적 활동 분포 (Coursework vs. Activities)
첫 번째 그래프는 과목 수강(Coursework)과 연구/튜터링 활동(Activity)이 각 수학 분야에서 어떻게 분포되어 있는지 보여줍니다.
Analysis (해석학): 가장 많은 수강 과목(12개)이 집중되어 있습니다. 이는 귀하가 언급한 "엄밀한 답변"을 선호하는 성향과 일치하며, 응용수학 연구의 강력한 이론적 토대가 되고 있습니다.
Geometry & Topology (기하/위상): 해석학 다음으로 비중이 높습니다. 특히 Riemannian Geometry와 Manifold Theory는 시공간 분석(Spatiotemporal Analysis)을 위한 필수적인 기하학적 직관을 제공했을 것입니다.
Applied Math & Statistics (응용수학/통계): 정규 수업(Coursework) 대비 활동(Activity)의 비중이 가장 높습니다. 이는 학부에서 이론을 다진 후, 대학원 과정에서 튜터링과 프로젝트(Kalman Filter, EOF 등)를 통해 실질적인 응용 능력을 키웠음을 시각적으로 증명합니다.
2. 학술적 포커스 비중 (Relative Focus)
2. 학술적 포커스 비중 (Relative Focus)
1. 강점: 해석학적 깊이와 기하학적 직관의 결합 일반적인 데이터 사이언스 전공자와 달리, Topology(위상수학)와 Riemannian Geometry(리만 기하학) 배경을 가지고 있습니다. 생존의 문제가 해결되면 고차원 데이터 분석(Manifold Learning)이나 시공간 데이터의 구조적 이해를 정보기하학(아마리 슌이치의 학문적 계보)이라는 맥락에서 해보고 싶다는 청사진을 간직하고 있습니다.
2. 전이 과정: 이론에서 응용으로 (Theory to Application) 이력을 보면 Linear Algebra Study → Riemannian Geometry → Kalman Filter/EOF로 이어지는 흐름이 보입니다.
초기: 선형대수와 위상수학 스터디를 통해 논리적 엄밀함(Logical Rigor) 훈련
현재: 이를 바탕으로 시계열 분석(Time Series), 신호 처리(Signal Processing) 등 구체적으로 확장 중
Analysis : 가장 큰 비중을 차지하며, 이는 귀하의 수학적 정체성이 '해석학적 엄밀함'에 있음을 보여줍니다.
Applied Math & Statistics (합계 약 42%): 응용수학(22.2%)과 통계/CS(19.2%)를 합치면 전체의 40% 이상을 차지합니다. 이는 순수수학 베이스 위에 응용 능력이 균형 있게 자리 잡았음을 의미합니다.
1. 전체적인 비중 분석 (The Big Picture)
1. 전체적인 비중 분석 (The Big Picture)
차트의 전체 면적을 3가지 핵심 영역이 나누어 점유하고 있으며, 대략적인 비율은 다음과 같습니다.
Teaching & Mentoring (파란색 영역, 약 45~50%): 가장 큰 비중을 차지합니다. 이는 제 정체성에서 '학문적 흥미'와 '교육'이 가장 강력한 엔진임을 보여줍니다.
Leadership & Service (초록색 영역, 약 30~35%): 연구자로서 드물게 높은 비중입니다. 학문 외적인 소통 능력과 조직 관리 역량이 탄탄함을 증명합니다.
Research & Foundation (주황색 영역, 약 20~25%): 교육과 리더십을 뒷받침하는 학문적 뿌리(기초)입니다.
2. 영역별 세부 분석 (Detail Breakdown)
2. 영역별 세부 분석 (Detail Breakdown)
① Teaching & Mentoring (교육 및 멘토링) - [Blue Zone]
이 영역은 저의 '실무적 아웃풋(Output)'이 가장 활발한 곳입니다.
University TA (11 Courses):
파란색 영역 내에서도 가장 거대한 단일 조각을 차지합니다. 1~2번의 단발성 조교 경험이 아니라, 학과 내에서 지속적으로 신뢰받는 교육 파트너로서 장기간(수년간) 활동했음을 시각적으로 압도하며 보여줍니다. (해석학, 미적분학 계열 전공 필수 과목 커버)
Grad Tutor (Kalman/Geosci.):
단순 채점을 넘어선 '전문 튜터링' 영역입니다. 칼만 필터나 기하학 같은 심화 주제를 가르칠 수 있는 고급 전문성을 나타냅니다.
Mentor (DataSci/AI) & Ext. Edu (BigData):
학교 밖으로 확장된 교육 활동입니다. 수학 이론을 넘어 데이터 사이언스와 AI 분야로의 응용 능력을 갖추고 있음을 보여주는 중요한 조각입니다.
② Leadership & Service (리더십 및 봉사) - [Green Zone]
이 영역은 제가 협업하고 헌신하는 타입임을 증명합니다.
World Vision Center Team Leader & Book Club Manager:
초록색 영역의 절반 이상을 차지합니다. 이는 단기간의 감투가 아니라, 48개월 이상의 장기적인 조직 운영 경험을 의미합니다. 사람을 모으고, 행정을 처리하고, 갈등을 조율하는 Soft Skill이 매우 훈련되어 있음을 암시합니다.
Dept. Rep (Hamdeok) & Volunteer (Japan):
자연과학대학 대표(함덕실장)와 해외 봉사 경험 (5회 국외, 3회 국내)은 책임감과 글로벌 마인드를 보여주는 활동으로 포트폴리오의 다양성을 더해줍니다.
③ Research & Foundation (연구 및 기초) - [Orange Zone]
이 영역은 위의 두 활동을 가능하게 한 '학문적 자양분(Input)'입니다.
Study Group (Top'l/Alg):
주황색 영역에서 가장 큰 비중입니다. 위상수학(Topology)과 대수학(Algebra) 같은 순수 수학의 기초를 자발적인 스터디를 통해 깊이 있게 다졌음을 보여줍니다.
Research (URO 2019 1st, 2019 2nd, 2020 1st Geometry) & Club (PRIME):
학부 시절부터 연구 동아리와 학부생 연구 프로그램(URO)을 통해, 일찍이 연구 관련 활동들(Research)에 관심을 보였음을 나타냅니다.
1. 보고서 및 제안서 작성 (Report & Proposal)
1. 보고서 및 제안서 작성 (Report & Proposal)
지표: 5 Major Projects (KIOST, SRC, 국가아젠다 등)
첫째, 연구 기획 및 문서화 역량입니다. 8일간의 집중적인 제안서 작성부터 수년에 걸친 장기 과제 보고서까지, 연구의 시작과 끝을 모두 주도적으로 수행했습니다. KIOST와 SRC 등 다수 기관이 연계된 대형 프로젝트에서 복잡한 수치 모델링 결과와 관측 데이터를 논리적인 기술 문서로 정리해냈으며, 이는 단순한 연구 수행을 넘어 프로젝트 전체를 조망하고 행정적으로 마무리할 수 있는 능력을 갖췄음을 보여줍니다.
Project Lifecycle Mastery (연구 전주기 경험):
8일간의 집중적인 제안서 작성(SRC)부터 2~3년에 걸친 장기 과제 보고서(KIOST)까지 경험했습니다. 이는 연구 과제의 **수주(Proposal) → 수행(Execution) → 결과 보고(Tech Report)**라는 전체 사이클을 이해하고 있음을 의미합니다.
Strategic Writing (전략적 글쓰기):
단순한 실험 일지가 아니라, 연구의 필요성을 설득하고(제안서), 복잡한 수치 모델링 결과를 비전공자나 발주처가 이해할 수 있는 행정적/기술적 언어로 변환(보고서)하는 능력을 갖췄습니다.
2. 행정 및 서비스 (Admin & Service)
2. 행정 및 서비스 (Admin & Service)
지표: Team Leader (48개월), 학과 대표, 학회 스태프
둘째, 조직 운영 및 실무 행정 역량입니다. 단순한 참여가 아니라 48개월이라는 긴 시간 동안 팀장으로서 조직을 운영하고, 학과 대표와 학회 스태프를 역임하며 실무 능력을 검증받았습니다. 인력 관리와 문서 행정은 물론 행사 기획과 현장 운영까지 직접 챙기며 조직의 안정성을 유지해왔기에, 어느 조직에서든 즉시 실무를 소화하고 구성원을 이끌 수 있는 검증된 성실성과 책임감을 가지고 있습니다. 교회의 학술적 파급을 목적으로 하는 국내의 유일한 집단에 대해 4년 동안 봉사하며 인력 관리, 행정 처리, 갈등 조율을 수행한 경험은 기업이나 연구소에서 관리자급 역량으로 평가받습니다.
Operational Excellence (실무 운영 능력):
학과 대표(함덕실장)와 학회(GEOMATH, 수리생물학회) 스태프 활동은 행사 기획, 공간 세팅, 영수증 처리 등 디테일한 실무 행정까지 꼼꼼하게 챙길 수 있음을 보여줍니다. "일 머리가 있다"는 것을 증명하는 지표입니다.
Global Mindset (글로벌 마인드):
5회에 걸친 일본 봉사활동 등은 연구 외적으로도 다양한 배경을 가진 사람들과 소통하고 융화될 수 있는 유연함을 보여줍니다.
3. 티칭 및 멘토링 (Teaching & Mentoring)
3. 티칭 및 멘토링 (Teaching & Mentoring)
지표: 19+ Courses & Mentoring Roles (University TA 11회 + Grad Tutor)
셋째, 전문적인 교육 및 소통 역량입니다. 학부 기초 과목 조교부터 대학원 수준의 칼만 필터 및 기하학 튜터링, 실무 중심의 데이터 사이언스와 AI 멘토링까지 총 19회 이상의 폭넓은 교육 경험을 보유하고 있습니다. 이는 단순히 수학적 지식이 깊다는 것을 넘어, 고난도의 이론과 최신 기술을 타인의 눈높이에 맞춰 명확하게 전달하고 설득할 수 있는 커뮤니케이션 스킬을 노력하고 있었음을 의미합니다.
Full-Stack Math Educator (전방위 교육 역량):
기초(Foundation): 미적분학, 해석학 등 학부 필수 과목 TA를 11회나 수행했다는 것은 전공 지식이 매우 탄탄하며, 학과 교수님들에게 깊은 신뢰를 받고 있음을 의미합니다.
응용(Application): 단순 채점을 넘어, 'Kalman Filter', 'Riemannian Geometry', 'Data Science', 'Cylclo-Stationary EOF' 같은 대학원 수준의 고급 통계 까지를 가르칠 수 있다는 점이 차별화 포인트입니다.
Bridge to Industry (실무 연계 멘토링):
'Mentoring Alumni in Probability for Financial Engineering', 'Math for AI' 등의 활동은 귀하가 상아탑에 갇힌 수학이 아니라, 미래를 지향하면서 금융, AI, 양자컴퓨팅 등 산업계 수요와 연결된 수학을 가르칠 수 있음을 보여줍니다.
(1) Pure Mathematics
Algebra: Abstract Algebra, Modern Algebra, Algebra I & II, Number Theory
Analysis: Functional Analysis, Real Analysis, Real-Valued Functions I & II, Nonlinear Analysis, Applied Analysis, Complex Analysis, Complex Variables I & II, Several Complex Variables
Geometry & Topology: Introduction to Geometry, Topics in Geometry, Differential Geometry I, Topics in Riemannian Geometry, General Topology, Topology I & II, Manifold Theory
Linear Algebra : Linear Algebra I & II, Vector Analysis, Set Theory, Introduction to Mathematics, Calculus I/II and Lab Sessions
(2) Applied Mathematics and Statistics
Numerical and Applied Analysis: Applied Numerical Analysis, Applied Analysis, Topics in Applied Mathematics
Differential Equations: Ordinary Differential Equations, Partial Differential Equations, Nonlinear Differential Equations
Modeling and Mathematical Thinking: Introduction to Modeling , Computational Thinking
Statistics and Data Analysis: Probability and Statistics, Everyday Statistics, Big Data Analysis
(3) Computer Science and Programming
Introduction to Programming (Python-based)
Computational Thinking (Python-based)
Software Integration Basics II (Python programming)
Software Integration Basics III (Machine Learning and Deep Learning)
Uncovered Areas and Future Supplementation
Uncovered Areas and Future Supplementation
While I have developed a solid foundation in statistics and applied mathematics, the following key theoretical subjects remain to be formally studied in depth. I intend to pursue them as part of my future academic development :
Probability Measure Theory
Stochastic Processes
Stochastic Calculus
These areas are essential for advancing my capability in probabilistic modeling and statistical inference, particularly in time series forecasting and uncertainty quantification.
Page updated
Google Sites
Report abuse