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. | |||||||||
| AIM4004 | 인공지능에이전트개론 | 3 | 6 | 전공 | 학사/석사 | 1-8 | 인공지능학과 | - | No |
| 본 과목은 ChatGPT와 같은 현대 AI 서비스가 어떠한 기술적 기반 위에서 구축되고 동작하는지를 이해하는 것을 목표로 한다. 단순한 모델의 작동 원리를 넘어, 실제 상용 수준의 AI 서비스가 구현되기 위해 필요한 전체 기술 스택(Full Tech Stack)을 폭넓게 조망한다. 이를 위해 Transformer 기반 모델 구조, 사전학습·미세조정·지시학습(Instruction Tuning) 등 최신 LLM 개발 패러다임부터 시작하여, 프롬프트 엔지니어링, RAG(Retrieval-Augmented Generation), 에이전트 계획·추론(Planning & Reasoning), 멀티 에이전트 협력, 도구 사용(Tool Use) 등 실제 에이전트 시스템 구현 관점의 핵심 요소들을 단계적으로 학습한다. 또한 최신 연구 논문 및 결과를 분석하여 빠르게 변화하는 기술 트렌드를 파악하고, 이를 바탕으로 고도화된 AI 시스템을 직접 설계하고 구축할 수 있는 역량을 기르는 것을 목표로 한다. | |||||||||
| AIM5002 | 기계학습론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 기계학습은어떻게경험으로부터학습하는컴퓨터시스템을만드는가에관한연구분야이다.이과목에서는현재의기계학습분야에서사용되는알고리즘과모델들에대해서설명한다.학습할주요내용은일반화된선형모델,다층인공신경망,서포트벡터머신,베이지안네트워크,클러스터링,차원축소 등이다. | |||||||||
| 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. | |||||||||
| AIM5020 | 컴퓨터비전론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 시각정보를컴퓨터를이용하여처리하는기법에관하여다룬다.주요내용으로는이미지처리대수,이미지질개선,경계선검출,문턱치설정,세선화및골격추출,음운적변환,선형변환,패턴매칭및형상검출,이미지특징및기술,심층신경망등이있다. | |||||||||
| AIM5021 | 자연어처리이론및응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 자연어처리(NLP)는정보화시대의가장중요한기술중하나다.복잡한대화를이해하는것도인공지능의중요한분야다.이과정에서는학생들이자신의신경망모델을구현,학습,디버깅,시각화및개발하는방법을학습한다.이과정은NLP에적용되는심층학습의최첨단연구에대한철저한소개를제공한다.이과목은vectorrepresentations,window-basedneuralnetworks,recurrentneuralnetworks,long-short-term-memorymodels,recursiveneuralnetworks,convolutionalneuralnetworks포함한최근모델을다룬다. | |||||||||
| 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. | |||||||||
| 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. | |||||||||
| AIM5041 | 계산감성모델 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 본 과목의 목표는 인공지능의 이론 및 알고리즘을 이용하여 인간의 감정을 계산적으로 모델링하는 것이다. 학습 내용은 감정의 계산적 정의, 기계 학습 알고리즘을 이용한 인간 감정의 분류, 감정을 처리하여 생성하는 인지적 모델 및 다양한 미디어에서 감정을 표현하는 것을 포함한다. 본 과목을 이수한 학생은 계산적 모델을 적용하여 다양한 문제를 해결하고 시스템을 설계할 수 있을 것으로 기대된다. | |||||||||
| AIM5042 | 게임AI | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 인공지능은 컴퓨터 게임에 있어 필수적인 요소 가운데 하나이며, 컴퓨터 게임은 인간 수준의 인공지능을 시험 해 볼 수 있는 좋은 시험장이라 생각할 수 있다. 본 강의에서는 상태 머신, 현실감과 즐거움을 모두 고려한 의사 결정, 경로 탐색, 게임 전략 수립 알고리즘을 포함한 다양한 컴퓨터 게임을 위한 인공지능 기술들에 대해서 다루고자 한다. 선수과목: 인공지능 혹은 이에 준하는 교과목 | |||||||||
| AIM5043 | 인공지능가속기 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 현재의 인공지능 하드웨어는 인공 심층 신경망 모델에 기반하고 있으나 인간의 두뇌 및 신경계와 좀더 유사한 혁신적인 구조가 요구되고 있다. 행렬 연산 계산에 최적화된 현재의 AI 가속기 구조를 기반으로 아날로그 방식 신경망 회로기술과 Processing-in-memory 등을 포괄하며 폰 노이만 아키텍처를 넘어서는 다양한 차세대 아키텍처를 탐색해본다. | |||||||||
| AIM5045 | 엣지컴퓨팅 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 본 과목에서는 클라우드 컴퓨팅의 개념이 오늘날의 엣지 컴퓨팅으로 확장되고 이 결합된 엣지-클라우드 컴퓨팅 환경이 어떻게 활용될 수 있는지 알아본다. 기존 클라우드 컴퓨팅 환경과 데이터 센터의 작동 구조를 리뷰하고 엣지 컴퓨팅의 정의, 클라우드 컴퓨팅과 엣지 컴퓨팅의 상호 보완성에 대해 알아본다. 또한, 컴퓨팅 리소스의 위치, 네트워크 인프라, 단말의 성능에 따른 디바이스 엣지와 클라우드 엣지 차이점과 장단점에 대해 학습한다. 엣지 컴퓨팅 환경 구축과 어플리케이션을 위한 엣지 아키텍쳐, 클라우드 서비스의 코디네이션, Apache Edgent, Geo-distributed 컴퓨팅, 엣지 컴퓨팅에서의 머신 러닝 및 분산된 빅데이타 분석 알고리즘 등을 다룬다 | |||||||||
| AIM5049 | AI헬스케어시스템 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 현대의 헬스케어 시스템은 여러 구성요소가 복잡하게 얽혀 있으며 이를 효과적으로 운영하여야 환자가 받는 케어의 수준이 높아진다. 본 과목에서는 헬스케어의 구성요소들을 설명하고 이를 인공지능 기술을 사용하여 효과적으로 전달하기 위한 운영관리에 대하여 학습한다. 주요 주제로 병원용량설계, 헬스케어 시설물 위치설정, 혈액 공급사슬 관리, 의료정보시스템, 장기배분 모델등이 포함된다. | |||||||||
| AIM5050 | 의료영상분석 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 현대의료에서 의료영상의 사용이 늘어나고 이를 효과적으로 분석하는 것이 중요하다. 본 과목에서는 다양한 의료영상 종류에 대하여 설명하고 인공지능 기반의 영상처리/컴퓨터 비전 기술을 사용하여 의료영상으로부터 임상적으로 유의미한 정보를 추출하는 것에 대하여 학습한다. 주요 주제로 자기공명영상/컴퓨터단층 영상의 원리, 필터기반 특징추출기법, 신경망 기반 특징추출 기법등이 포함된다. | |||||||||
| AIM5051 | AI비즈니스플랫폼 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 본 과목은 AI를 기반으로 한 다양한 비즈니스 모델을 연구하고, 이를 통한 AI 비즈니스 생태계 구성을 위한 플랫폼을 공부한다. 즉, AI 기술 개발을 통한 비즈니스, 서비스, 혹은 기술들의 생태계에 여러 상호 보완적인 상호작용이 일어날 수 있는 시스템(환경)을 연구한다. 이를 통하여 AI 개발자, 분석가, 제공자, 사용자가 선순환적으로 공존할 수 있는 플랫폼이 구축될 수 있다. | |||||||||
| AIM5052 | 제조빅데이터분석 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 본 과목은 제조 도메인의 빅데이터 특성을 이해하고, 이를 제조 현장에 융합하여 적용할 수 있는 빅데이터 분석 역량을 학습한다. 비즈니스적 관점에서 접근하여 제조빅데이터의 중요성을 학습하고, 제조빅데이터를 다루는 다양한 컴퓨팅 기술 및 소프트웨어 플랫폼에 대하여 알아본다. 통계언어 R에 대한 이해와 기초 통계를 이해하고, 데이터 탐색적 자료 분석 및 데이터 시각화를 학습한다. 제조 빅데이터의 분석을 위해 로지스틱 회귀분석, LDA, 군집분석, 시계열 분석, SVM/KNN 등 고급 데이터분석 기법을 다룬다. 최근 빅데이터 처리를 위한 플랫폼으로 각광을 받고 있는 하둡(Hadoop)이나 스파크(Spark) 등을 이용한 빅데이터를 다루는 기술을 알아본다. 또한, 제조 분야 생산 프로세스 이해와 공정 최적화, 생산리드타임 개선 등 빅데이터기반 생산 효율화 및 품질관리에 관하여 학습한다. | |||||||||
| AIM5055 | 베이지안학습론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | 영 | Yes | |
| 이 과목은 베이지안 학습론에 대한 것을 배우는 과목이다. 베이지안 학습은 불확실성을 추론할 때 데이터에서뿐만 아니라 그에 대한 믿음도 같이 살피는 방법론이다. 특히 최근 대용량 데이터에서 높은 성능을 내는 딥러닝과의 결합인 베이지안 딥러닝이 각광을 받고 있다. 이 과목에서는 먼저 베이지안에 대해 학습한 후 베이지안 딥러닝에 대하여 배워나갈 것이다. | |||||||||
| AIM5056 | 그래프기계학습방법론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 그래프 기계학습은 기계학습의 한 분야로 그래프 데이터를 처리하여 현상을 모델링하고 학습하는 최신 방법론 중에 하나이다. 신약을 디자인하고 소셜 네트워크에서 새로운 친구를 추천해주는 등 그래프 데이터를 학습하는 기계학습은 인공지능 시대에서 풀어야할 중요한 문제를 다루고 있다. 이 코스에서는 Matrix factorization-based methods, random-walk based algorithms, and graph neural networks를 포함한 Graph representation learning을 공부하게 된다. 이를 통해 이론적 동기를 학습하고 실질적인 응용을 경험하며, 프로젝트를 통해 자신만의 기계학습 모델을 만들어볼수 있다. | |||||||||
| AIM5057 | 지식그래프생성및활용방법론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 이 과목은 지식 그래프를 생성하고 활용하는 방법론을 배우는 것에 목적을 두고 있다. 학생들은 대용량의 지식 그래프를 만들고 이에 질의를 하기위한 이론과 응용들을 배우게 된다. 그 토픽으로 crawling web sites, wrapper learning, information extraction, source alignment, string matching, entity linking, graph databases, querying knowledge graphs, data cleaning, Semantic Web, linked data, graph analytics, and intellectual property를 포함한다. | |||||||||
| AIM5058 | 변분추론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | 한 | Yes |
| 추론 문제의 목표는 주어진 데이터에 숨겨진 구조를 찾는 것으로 많은 경우 사후 확률 분포를 구하여 해결할 수 있다. 변분 추론은 쉽게 구할 수 없는 사후 확률 분포를 근사 분포와 최적화 방법을 이용해 해결한다. 본 수업에서는 변분 추론을 이해하기 위한 확률 이론과 몬테-카를로 방법에 대해 학습한 후 변분 추론과 확률 변분 추론을 다룬다. 또한 변분 추론과 VAE의 관계에 대해 알아본다. | |||||||||
| AIM5065 | 오픈AI네트워킹 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 모바일/무선 네트워크는 초연결, 초저지연 통신 및 연결된 거대한 개체에 대한 대규모 데이터 orchestration이라는 과제에 필요한 AI 혁명을 겪고 있습니다. 이에 따라, Beyond 5G와 6G연구는 성장과 혁신의 측면에서 가장 활발한 분야 중 하나입니다. 오픈AI네트워킹에서는 5G/6G 모바일 네트워크의 기본 지식과 네트워크 성능 및 자원 관리 효율성을 개선하는데 사용가능한 AI 모델을 다룹니다. 본 과목은 총 세 부분으로 구성되어 있습니다. 첫 번째, 기본적인 5G 아키텍처와 cloud-native computing, AI-native communication, deterministic networking 등의 새로운 기술들이 어떻게 6G 아키텍처를 형성하는지 설명합니다. 두 번째, 5G/6G 모바일 네트워크와 관련된 최신 딥러닝 방법론으로 순환모델, 생성적 적대 네트워크, 트랜스포머, 심층 강화학습 등을 다룹니다. 마지막으로 트래픽 변화, 위치 추적, 이동성, 사용자 상황 등 다양한 매개변수를 활용한 네트워크 동작의 AI 기반 dynamic orchestration에 대한 최신 사례 연구들을 소개합니다. 교과목을 수강한 학생들은 5G/6G 모바일 네트워크와 관련된 다양한 산업, 관리, 연구 분야에서 활용 가능한 최신 AI 기술에 대한 깊은 이해를 할 수 있습니다. | |||||||||
| AIM5068 | 생성AI모델의윤리및해석가능성 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 본 과목은 생성형 인공지능(Generative AI) 모델의 윤리적 문제와 해석 가능성 확보를 위한 이론 및 실제 적용 방법을 다루는 고급 이론 수업입니다. 최근의 생성 모델은 텍스트, 이미지, 음성 등 다양한 도메인에서 창의적이고 실용적인 결과물을 만들어내며, 사회 전반에 큰 영향을 끼치고 있습니다. 그러나 이러한 모델의 내부 작동 원리는 대부분 불투명하며, 모델이 산출하는 결과물의 신뢰성과 공정성을 보장하기 어렵습니다. 이에 본 강좌는 LIME, SHAP 등 특징 기여도(feature attribution) 분석 기법, Layer-wise Relevance Propagation(LRP), Grad-CAM과 같은 기울기 기반(gradient-based) 방법, 그리고 최신 생성 모델을 대상으로 한 기계적 해석(mechanistic interpretability) 접근법 등을 중심으로 다각적인 해석 가능성 확보 전략을 탐구합니다. 수업 진행 방식은 크게 세 부분으로 나뉩니다. 먼저, 이론 강의를 통해 위의 해석 기법들을 심도 있게 공부하며, 이를 통해 생성 모델의 내부 작동 원리에 대한 이해도를 높입니다. 이후 세미나 형식의 토론 세션에서는 최신 논문과 연구 결과를 검토하여 각 기법들의 장단점과 실용적 적용 가능성을 비판적으로 분석합니다. 마지막으로, 실제 생성 모델에 상기 해석 방법들을 적용하는 과제를 통해 모델 개선 방향을 모색하고, 해석 결과를 바탕으로 윤리적·사회적 함의를 도출합니다. 본 과목을 통해 수강생들은 최신 생성형 AI 모델의 동작 원리와 해석 방법론을 체계적으로 이해하고, 이로부터 도출되는 윤리적 쟁점에 대해 깊이 있게 성찰하는 능력을 갖추게 될 것입니다. | |||||||||