교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
---|---|---|---|---|---|---|---|---|---|
AIM4002 | 바이오인공지능 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 인공지능학과 | - | No |
인공지능이 가져올 의료 혁신은 우리의 상상을 뛰어넘을 것으로 예상됩니다. 본 과목은 바이오 헬스 연구에 인공지능을 적용하는 데 기초가 되는 개념과 방법론을 익히고, 새로운 문제에 스스로 도전을 해보는데 목적을 두고 있습니다. 학생들은 수업을 통해 딥러닝, 바이오인포메틱스, 계산모델, 데이터 사이언스 등의 기초와 최신 이론을 익히고, 팀 프로젝트를 통해 실제 인공지능을 이용한 바이오 헬스 연구에 참여할 수 있습니다.본 과목은 컴퓨터 관련 과목을 전공하지 않는 학생들에게 열려있으나 프로그래밍 경험을 필요로 합니다. | |||||||||
AIM5002 | 기계학습론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | 한 | Yes |
기계학습은어떻게경험으로부터학습하는컴퓨터시스템을만드는가에관한연구분야이다.이과목에서는현재의기계학습분야에서사용되는알고리즘과모델들에대해서설명한다.학습할주요내용은일반화된선형모델,다층인공신경망,서포트벡터머신,베이지안네트워크,클러스터링,차원축소 등이다. | |||||||||
AIM5003 | 패턴인식이론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
패턴을 인식하기 위한 기본적인 기술에 관하여 다룬다. 주요내용으로는 통계적패턴인식, 지도학습, 선형구분함수, 자율학습,구문패턴인식, 문법과해석, 그래픽과 구문 패턴인식, 문법적추론, 신경망패턴인식법 등이 있다. | |||||||||
AIM5007 | 빅데이터처리플랫폼 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
이과목은 Hadoop과 Hadoopecosystem 이라 불리는 Hadoop기반 어플리케이션들을 다룬다. Hadoop아키텍쳐, 소프트웨어 스택 및 실행 환경과 map-reduce와 같은 기본 프로세스에 대하여 학습한다. Hive, Hbase,Spark, Sqoop, Flume, Kafka, Azkaban, Ambari 등 대표적인 Hadoopecosystem 구성 플랫폼에 대하여 학습한다. | |||||||||
AIM5008 | 인공지능과시뮬레이션특론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
본 교과목에서는 인공지능 기법과 시뮬레이션의 통합에 대한 여러 주제에 대해서 다룬다.인공지능의지식표현기법이용하여시뮬레이션모델의구조표현과모델구성과관리에 사용되기도 하며, 전문가시스템의추론방법을이용하여복잡한상태변이를 갖는시뮬레이션모델을표현하기도 한다. 이러한 주제와 관련된 다양한 내용을 다룬다. | |||||||||
AIM5009 | 진화알고리즘 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
자연적, 생물학적 문제 해결 과정을 공학적 입장에서 다룬다. 유전알고리즘, 진화연산 등을 소개한다. 생물학의 진화원리 (적자생존)를 컴퓨터 알고리즘으로 구현하는 기법을 다루며 이와 연관된 population의 선정, 염색체, 변이 연산자와 교배 연산자 같은 여러 유전 연산자의 개념과 예를 소개한다. 아울러 유전 알고리즘을 통한 최적해의 탐색 기법들도 함께 다루고자 한다. | |||||||||
AIM5010 | 강화학습특론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
강화 학습은 로봇공학, 게임, 소비자 모델링 등 광범위한 문제에 적용될 수 있는 대표적인 기계 학습 기법 중 하나이다. 본 수업에서는 강화 학습의 방법론으로 마르코프 의사결정 과정, 동적 프로그래밍에 의한 계획, 모델 프리 예측, 모델 프리 제어, 가치 함수 근사, 정책 그레디언트, 학습과 계획, 탐구 및 탐사 등을 다루고자 한다. | |||||||||
AIM5011 | AI를위한수치해석 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
본 수업의 목적은 학생들로 하여금 컴퓨터를 활용한 인공지능 관련 수치해석기법을 습득 하도록 하는데있다. 컴퓨터프로그래밍경험이 부족하여도 본 수업을 수강하는데 어려움이 없도록 수업 과정이 설계되었으며 수업에서 사용하는프로그램은 Matlab과 Python이다. 수업의 내용은 numericaldifferentiation, integration ,linearalgebra, differentialequations, andstatistics 등이며 기 개발된 수치해석기법을 활용하여해결할 수 있도록 구성 되어있다. | |||||||||
AIM5013 | 확률및랜덤프로세스론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
이 과목에서는 랜덤 프로세스에 관한 철저한 이해와 여러 문제에 랜덤 프로세스 이론들을 응용 할 수있는 능력을 습득하도록 한다. 먼저 다변수 Gaussian 밀도 함수를 중심으로 한 확률및랜덤프로세스의기초 이론들을 배운 뒤,자기상관 및 파워스펙트럼 밀도함수를 이용하여 다양한 랜덤 프로세스 및 그들의 특성에 관해 살펴본다. 지금까지 배운 이론들을 최적선형시스템설계에 응용해본다. | |||||||||
AIM5014 | 디지털집적회로설계론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
본과정은CMOStransistor의구조및동작원리,digital회로(INV,NAND,NOR,LATCH,CurrentMirror)동작원리;sizing및delay계산;FlashA/D변환기등을다룬다. | |||||||||
AIM5015 | 임베디드시스템론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
임베디드시스템을제어하는소프트웨어개발에요구되는프로그래밍기법과소프트웨어개념을학습하는것을주목표로한다.자료구조와임베디드소프트웨어개발도구와기법,실시간운영체제,Linux운영체제와디바이스드라이버프로그래밍에대하여학습한다. | |||||||||
AIM5016 | 고급컴퓨터구조 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
과목의주촛점은고성능프로세서및메모리구조에있다.병렬처리와성능개선을위한여러가지기법들을연구하게된다.프로세서와메모리구조에영향을준기술과미래프로세서설계에영향을주는기술들을살펴본다.파이프라이닝,인스트럭션레벨병렬처리,메모리계층구조,입출력,네트워크지향상호연결등의고성능컴퓨터의주요컴포넌트부시스템에역점을둔다.학생들은주요컴퓨팅시스템해석및그와관련된프로젝트를수행하게된다. | |||||||||
AIM5017 | NPU설계방법론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
최근 인공지능기술의 획기적 발전으로 인해 고효율 신경망 프로세서가 필요성이 증대하고 있으며, 신경 처리 장치 (NPU)는 독립형 단일 칩으로 구현되거나 다중 프로세서 시스템 온칩 (MPSoC)에 통합 될 수 있다. 이 교과목에서는 집적회로, 반도체 기술, 컴퓨터구조 등 하드웨어 구현에 필수적인 기본 지식을 포함하며, 인공지능 기술 진화 방향에 따라 성능, 면적, 전력효율 면에서 최적화된 고효율 NPU 설계 방법론을 지향한다. | |||||||||
AIM5018 | 아날로그IC설계론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
CMOSAnalog회로설계에필요한Simulation기법및기본적인CMOS소자Modeling및소자동작에대하여공부하고,이를바탕으로CMOSAnalog회로설계에대하여공부한다.특히본과목에서는Memory설계에필요한Analog회로설계에중점을둔다. | |||||||||
AIM5019 | 음성인식론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
패턴인식에기초한음성인식에대하여고찰한다.주요내용으로는음성의성질,음성분석의원리,음성인식의기초,DTW(dynamictimewarping),HMM(hiddenmarkovmodel),신경망,음성인식에서의강인성,그리고음성합성에대하여다룬다. | |||||||||
AIM5020 | 컴퓨터비전론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | 한 | Yes |
시각정보를컴퓨터를이용하여처리하는기법에관하여다룬다.주요내용으로는이미지처리대수,이미지질개선,경계선검출,문턱치설정,세선화및골격추출,음운적변환,선형변환,패턴매칭및형상검출,이미지특징및기술,심층신경망등이있다. | |||||||||
AIM5021 | 자연어처리이론및응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | 한 | Yes |
자연어처리(NLP)는정보화시대의가장중요한기술중하나다.복잡한대화를이해하는것도인공지능의중요한분야다.이과정에서는학생들이자신의신경망모델을구현,학습,디버깅,시각화및개발하는방법을학습한다.이과정은NLP에적용되는심층학습의최첨단연구에대한철저한소개를제공한다.이과목은vectorrepresentations,window-basedneuralnetworks,recurrentneuralnetworks,long-short-term-memorymodels,recursiveneuralnetworks,convolutionalneuralnetworks포함한최근모델을다룬다. | |||||||||
AIM5022 | 정보검색 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
정보 검색은 대량의 문서 데이터에서 사용자가 입력한 질의와 관련있는 문서를 찾기 위한 기법으로, 검색 엔진에 대한 이론과 실제 구현에 관한 방법을 포함한다. 본 과목에서는 문서를 표현하는 방법, 색인화, 검색, 검색 엔진 및 요약하는 모델과 방법을 다룰 것이다. 또한, 최근의 심층 인공신경망을 활용한 검색 모델에 대해서도 다루고자 한다. | |||||||||
AIM5023 | 데이터마이닝이론및응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
데이터 마이닝은 데이터 내에서 의미 있는 패턴과 관계를 찾아내는 학문으로, 본 교과목에서는 데이터 마이닝 고급 기술에 대해 논의하기로 한다. 데이터 마이닝 최신 논문들을 토의하며 최신 데이터 마이닝 기술들에 대해 익힌다. 정형 데이터에 대한 마이닝 기법과 더불어 그래프, 이미지, 텍스트 등 비정형 데이터에 대한 고급 데이터 마이닝 기법에 대해서도 논의하도록 한다. 선형대수학을 선수 과목으로 수강할 것을 권장함. | |||||||||
AIM5024 | 추천시스템 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
추천 시스템은 사용자가 대상 항목에 부여할 등급이나 선호도를 예측하고자 하는 정보 필터링 기법이다. 본 과목에서는 비개인화된 추천 시스템, 콘텐츠 기반 및 협업 기법 추천시스템 및 이를 위한 최근접 이웃 기반 추천 방법과 행렬 분해 기반 방법에 대해서 다룬다. 마지막으로, 심층 인공 신경망을 이용한 추천 시스템 모델에 대해서도 다루고자 한다. | |||||||||
AIM5025 | 지능형로봇및시스템 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
로보트를효율적으로사용하기위해서는인간이할수있는거의모든작업을수행할수있도록해야한다.이를위해여러가지센서를이용하여로보트가지능적인행동을하도록하는여러가지기법에관해다루기로한다. 수업은 영어로 진행 예정입니다. | |||||||||
AIM5027 | 고급AI로봇컴퓨팅 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
이과목은AI알고리즘과RobotControl을구현하기위한기본적인컴퓨터프로그램언어와OS환경을학습하는과정으로Window와Linux환경에서고급c++과Python프로그램언어를학습하고이를사용하여AI와비전에널리쓰이는library인OpenCV,OpenGL,Boost와학습알고리즘구현많이쓰이는Numpy,Matplotlib,Pillow등의사용법을학습후Project를통하여다양한분야에서응용되는학습알고리즘의동작원리를이해하고필요한요건들을정의하여연구를위해필요한기초지식을경험한다. 수업은 영어로 진행 예정입니다. | |||||||||
AIM5028 | SW-HW통합설계론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
SW-HW통합 설계론에서는 다양한 응용 분야에 맞는 효율적인 인공지능 시스템을 설계하기 위한 SW와 HW의 통합 설계 방법에 대해서 다룬다. 데이터 처리 속도, 전력 소모 및 복잡도를 고려해서 SW와 HW 로 구현될 수 있는 블록들에 대한 최적 파티션이 필요하며, Co-Design 을 통해서 최적의 성능을 달성할 수 있다. 본 과목에서는 이와 같은 목표를 달성하기 위한 인공지능 SW 설계 방법론, 인공지능 HW 설계 방법론을 다루고, 이를 기반으로 AI SW-HW 설계방법론에 대해서 다룬다. | |||||||||
AIM5029 | AI기술세미나 | 1 | 2 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
본과목은최근정보통신분야에서활발히연구되고있는다양한영역의주제를선정하여교내외의전문가들을초청,세미나또는토론을진행하여인공지능분야의최신흐름을제공하고자하는과목이다. | |||||||||
AIM5033 | 다형데이터학습 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
실 데이터는 대게의 경우에 여러 다양한 형태의 정보를 담고 있다. 예를 들어, 이미지의 경우에 그 이미지를 설명하는 텍스트를 동반할 수 있고, 문서 안의 대부분의 정보는 텍스트로 되어 있지만 이미지로 핵심 아이디어를 표현하기도 한다. 본 과목에서는 이와 같이 다형의 데이터를 통합하여 활용하는 머신 러닝 기법에 대해 다룬다. | |||||||||
AIM5035 | 설명가능한인공지능 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
최근 많은 각광을 받는 딥러닝 기반 알고리즘들은 높은 예측 정확도를 보이고 있으나, 그 예측 결과의 이유를 명확하게 설명하기 어려운 단점을 가지고 있다. 이러한 문제점들로 인해서, 최근 설명가능한 인공지능 기술에 대한 활발한 연구가 진행되고 있다. 본 과목에서는 딥러닝 모델들이 학습한 representation들의 visualization, saliency-map 기반의 설명방법(예: Grad-CAM, LRP 등), 그리고 black-box 설명방법 (예: LIME, SHAP) 등에 대해서 알아보고, 그러한 방법들의 robustness 등에 대해서 살펴본다. 또한, 의료영상 등에서의 주요 응용 분야에 대해 살펴보고 term-project를 수행한다. | |||||||||
AIM5036 | 심층생성모델 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
최근 많은 각광을 받는 심층 생성 모델에 대해 학습한다. 전반부에는 Autoregressive model과 bayesian에 기반한 variational autoencoder (VAE), normalized flow 등에 대해 학습하고, 후반부에는 generative adversarial net (GAN)과 그 다양한 변종들에 대해 학습한다. (예: W-GAN, CGAN, Cycle GAN 등) 또한 생성모델을 활용하는 다양한 응용 분야에 대해 survey하고 학습한다. | |||||||||
AIM5038 | 상황기반행동학습 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
상황 인식에 의한 학습법이란, 컴퓨터(혹은 프로그램이 가능한 장치)가 자신의 환경을 감지하고 반응할 수 있게 하는 기계학습 방법을 말한다. 시시각각 변화하는 환경에 반응하여 기계가 적절한 판단을 내릴 수 있도록 하는 것이 핵심이다. 본 과목에서는 지능형 디바이스가 상황인식 기반 학습을 통해 스스로 상황을 인지하고, 상황에 따른 적절한 판단을 내릴 수 있도록 하는 학습법에 대해 논의한다. | |||||||||
AIM5039 | 지능적스토리텔링 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
본 과목의 목표는 인터랙티브 스토리를 이론적으로 이해하고 계산적으로 모델링하는 것이다. 학습 내용은 서사 이론에 기반한 스토리 분석, 인공지능 알고리즘을 적용한 다양한 계산적 모델, 인터랙티브 스토리를 만드는 저작 도구, 지능적 스토리를 적용한 VR, 게임등의 구현 사례를 포함한다. 본 과목을 수강한 학생은 해결하고자 하는 문제에 스토리 요소를 추가하여 사용자 경험이 증대되도록 시스템을 설계하고 구현할 수 있을 것으로 기대된다. | |||||||||
AIM5040 | 비지도학습 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
정답 레이블이 없이 데이터로부터 학습하는 비지도학습 (Unsupervised learning)의 기초부터 최신 기법까지 학습한다. K-means clustering, PCA, ICA, expectation-maximization (EM), hidden Markov Model (HMM) 등 전통적인 비지도학습 모델부터 restricted Boltzmann machine, deep Boltzmann machine 등 최신 비지도학습 알고리즘에 대해 학습한다. |