발전기금
교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
| 학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
|---|---|---|---|---|---|---|---|---|---|
| CHS7002 | 머신러닝과딥러닝 | 3 | 6 | 전공 | 학사/석사/박사 | 도전학기(대학원) | - | No | |
| 본 수업에서는 기초적인 머신러닝 및 딥러닝 알고리즘의 이론 및 실습을 다룬다. 구체적으로, 선형 분류, 선형 회귀, 의사결정나무, 서포트 벡터 머신, 다층신경망, 컨볼루션 네트워크 등 실제 사례에 널리 사용되고 있는 알고리즘들을 이론 강의를 통하여 습득하고, python을 이용하여 이론에서 배운 알고리즘을 실습을 통하여 자기주도적으로 학습한다. 본 수업의 원활한 수강을 위하여, 학생들은 기본적인 미적분학, 선형대수학, 확률 및 통계, python language의 활용 등에 대한 지식이 필요하다. | |||||||||
| CHS7003 | 인공지능응용 | 3 | 6 | 전공 | 학사/석사/박사 | 도전학기(대학원) | - | No | |
| 스탠포드 대학교의 공개 강좌인 cs231n은 이미지 인식과 딥러닝에 대한 가장 유명한 공개 강좌 중 하나이다. 본 수업은 스탠포드 대학교의 공개 강좌 cs231n을 이용하여 Flipped class 방식으로 수업을 진행한다. 본 수업을 수강하기 위해서는 학부 수준의 기본적인 수학 지식(선형대수, 미적분학, 확률/통계)와 기본적인 파이썬 기반의 코딩 능력이 요구된다. 수업에서 진행하는 구체적은 진행방식과 활동은 다음과 같다. 1) On-line 강의(English)를 청취 (학습자 주도) 2) On-line 강의(English) 청취한 내용에 대해 개별 노트 정리 (학습자 주도) 3) On-line 강의(English) 청취한 내용에 대해 QnA 토론 (학습자 주도) 4) QnA 기반의 교수자 주도의 Off-line 강의(Korean) 강의 (교수자 주도) 5) 팀별 보충 발표 (학습자 주도) 매 토픽에 대하여 위에 언급한 1) ~ 5)의 진행방식을 활용하여 학습한다. 평가는 각 활동과 과제, 중간 시험, 기말 프로젝트에 기반하여 절대평가한다. 수업에 다루는 내용은 다음과 같다. - Introduction Image Classification Loss Function & Optimization (Assignment # 1) - Introduction to Neural Networks - Convolutional Neural Networks (Assignment # 2) - Training Neural Networks - Deep Learning Hardware and Software - CNN Architectures-Recurrent Neural Networks (Assignment # 3) - Detection and Segmentation - Generative Models - Visualizing and Understanding - Deep Reinforcement Learning - Final Project. 본 수업은 이미지 인식과 관련한 딥러닝 방법에 대하여 기초부터 응용까지 다루므로 관심이 있는 학생들에게 좋은 기회가 될 것이라 생각한다. | |||||||||
| COV7001 | 논문작성법및연구윤리1 | 1 | 2 | 전공 | 석사/박사 | 일반대학원 성균융합원 | 한 | Yes | |
| 1) 논문작성의 전반을 소개하고, 논문작성의 필수적인 교양을 습득한다. 2) 연구 결과를 영어로 표현하는 효과적인 방법을 공부함으로써 향후 국내외학술지에 효율적으로 논문을 개제할 수 있도록 한다. 3) 연구 윤리를 습득한다. | |||||||||
| ERC5001 | 글로벌공동연구특론 | 3 | 6 | 전공 | 석사/박사 | 공과대학 일반대학원 | 한 | Yes | |
| 본 수업은 공과대학, 정보통신대학, 소프트웨어대학 등 혁신성장분야를 연구하고 있는 석사/박사과정 학생들의 해외 파견 및 국제공동연구의 경험을 통해 신진연구자로서의 글로벌 역량을 제고하는 것을 목표로 한다. 해외 현지 파견 및 공동연구를 수행하는 학생들이 - 해외 공동프로젝트 참여를 통해 글로벌 네트워크를 구축하고 - 인류의 지속가능한 발전 및 혁신성장분야의 신산업 창출을 위해 정진하며 - 초문화, 초학제, 초세대간 횡단하는 창의융합 경험의 혁신을 통해 창의(Value Creation), 융합(Convergence), 혁신(Innovation), 협업(Collaboration) 역량을 겸비한 글로벌 혁신 리더로 미래 공유 가치를 창출할 수 있는 역량을 키울 수 있도록 지원한다. 본 수업을 통해 학생들은 현지파견기간 동안 프로젝트에 몰두하여 연구 결과의 질적 수준을 향상시킬 것으로 기대하며, 파견연구를 종료한 연구자들의 최종 결과 발표회를 통하여 수행 과정 및 결과에 대해 평가 및 학점을 부여한다. | |||||||||
| ERC5002 | 국제융복합연구특론1 | 3 | 6 | 전공 | 석사/박사 | 1-8 | 공과대학 일반대학원 | - | No |
| 주 목표: 공과대학의 혁신분야를 연구하고 있는 석사/박사/석박사과정 학생들의 해외 파견 및 국제공동연구를 통한 융복합 연구 결과 도출 및 국제 네트워크 형성, 글로벌 신진연구인력으로 성장하는 것을 목표로 함 세부 목표: 국제 공동네트워크를 통한 융복합 공동연구, 글로벌 연구역량 제고, 글로벌 네트워크 구축 | |||||||||
| ERC5003 | 국제융복합연구특론2 | 3 | 6 | 전공 | 석사/박사 | 1-8 | 공과대학 일반대학원 | - | No |
| 주 목표: 공과대학의 혁신분야를 연구하고 있는 석사/박사/석박사과정 학생들의 해외 파견 및 국제공동연구를 통한 융복합 연구 결과 도출 및 국제 네트워크 형성, 글로벌 신진연구인력으로 성장하는 것을 목표로 함 세부 목표: 국제 공동네트워크를 통한 융복합 공동연구, 글로벌 연구역량 제고, 글로벌 네트워크 구축 | |||||||||
| ERC5005 | 공학필수머신러닝 | 3 | 6 | 전공 | 석사/박사 | 공과대학 일반대학원 | - | No | |
| 본 과목은 인공지능과 머신러닝에 대한 관심 증가에 따라, 딥러닝 이외의 머신러닝 기법들을 수리적으로 설명하여 학생들이 이를 이해하고 올바르게 활용할 수 있도록 하는 것을 목표로 한다. Imbalanced Learning, Bayesian Neural Networks, Monotonic Neural Networks, Neural Additive Models, Gaussian Process, Ensemble Learning, Expectation and Maximization, Neighbor Embedding 등에 대해 학습하며, 본 과목을 통해 학생들은 머신러닝 관련 논문을 더 쉽게 이해하고, 각자의 전공 분야에서 실제 공학 문제를 해결할 때 이러한 기법들을 올바르게 활용할 수 있도록 한다. | |||||||||
| ERC7001 | 메타버스플랫폼이해와활용 | 3 | 6 | 전공 | 학사/석사/박사 | 공과대학 일반대학원 | - | No | |
| 본 과목은 메타버스를 구성하는 기술요소의 이해와 주요 플랫폼 및 관련 기기에 대한 체험 실습을 바탕으로 메타버스 기반의 비즈니스 혹은 서비스 기획 능력을 갖추도록 하는 교육을 주목적으로 한다. 각 기술구성요소의 특징과 용도에 대한 이해와, 주요 서비스들의 사례 연구, 체험을 통한 사용자 관점의 장단점 파악 기회가 주어지며, 나아가 메타버스 서비스 활용과 개선에 대한 창의적 아이디어를 도출하는 능력을 배양하게 된다. | |||||||||
| ERC7002 | NFT이해와활용 | 3 | 6 | 전공 | 학사/석사/박사 | 공과대학 일반대학원 | - | No | |
| 본 과목은 NFT의 개념과 기반 기술, 관련 디지털 경제 생태계, NFT프로젝트 들의 사례에 대한 이해와 NFT제작 및 판매 실습을 바탕으로 NFT를 활용한 비즈니스 혹은 서비스 기획 능력을 갖추도록 하는 교육을 주목적으로 한다. NFT의 기반 기술인 블록체인과 암호화폐, 그리고 기존 주요 적용 대상인 디지털아트, 디지털애셋 등에 대한 기초적인 이해과정이 포함되어 있으며, 주요 프로젝트 사례와 법률적 고려사항, 시장 분석 요령, 기술 트렌드에 대한 학습을 통해 향후 폭넓은 활용에 대한 창의적 아이디어를 도출하는 능력을 배양하게 된다. | |||||||||
| ERC7003 | AI기반공학연구방법론 | 1 | 2 | 전공 | 학사/석사/박사 | 공과대학 일반대학원 | 한 | Yes | |
| AI기반공학연구방법론은 학사·석사·박사 과정 학생이 공통으로 수강할 수 있는 1학점 교과목으로, AI 시대에 필요한 보편적 연구 수행 역량을 체계적으로 기르는 것을 목표로 한다. 본 과목은 단순히 생성형 AI 사용법을 익히는 강의가 아니라, 연구자가 AI를 연구 과정의 보조 도구로 활용하되 그 결과를 비판적으로 검토하고 책임 있게 재구성하는 방법을 배우는 연구방법론 교과목이다. 수업은 AI가 연구와 학습 방식에 가져온 변화, 생성형 AI의 원리와 한계, 연구주제 탐색, 문헌 검색, 선행연구 분석, 연구 공백 도출, 연구문제와 가설 설정, 연구 설계, 자료 수집, 데이터 정리와 분석, 시각화, 연구계획서 작성, 연구윤리와 데이터 보안까지 연구 전 과정을 다룬다. 특히 AI가 제시한 답변의 환각, 편향, 허위 인용, 최신성 부족, 논리적 비약, 개인정보 및 비공개 자료 유출 가능성을 점검하는 훈련을 포함한다. 학생들은 자신의 전공 또는 관심 분야를 바탕으로 연구주제 후보를 만들고, 관련 문헌을 탐색하며, 연구문제와 분석 계획을 구체화한다. 최종적으로는 AI 활용 과정, 선행연구 정리, 연구 공백, 연구문제 또는 가설, 자료 수집·분석 계획, 검증 과정, 연구윤리 점검, 학습 성찰을 포함한 AI 연구 포트폴리오를 작성한다. 학부생은 기초 탐구 과제형, 석사과정생은 예비 연구계획서형, 박사과정생은 독립 연구 설계형 산출물을 목표로 한다. 본 교과목은 학생들이 AI를 활용해 연구 생산성을 높이며 연구자의 비판적 사고와 책임성을 유지하도록 돕는 미래형 연구역량 교육이다. | |||||||||
| ERP4001 | 창의심화탐구 | 3 | 6 | 전공 | 학사/석사 | 교무팀 교육연구 | - | No | |
| 이 과목은 교육을 중심으로 하는 연구를 병행하는 교과목으로서, 연구수행능력을 일정 수준 갖춘 학사과정생들을 중심으로 창의적인 아이디어를 도출하고, 학사과정생이 자율적으로 연구할 수 있는 기회를 확대하고자 설계되었다. 학생들은 과학기술 분야를 중심으로 한 인문사회, 문화예술 분야의 융합과 통섭을 기반으로 과학적 탐구력과 창의적 문제해결역량 신장에 적합한 창의 주제 탐구 수행한다. 또한 본 과목은 학제간 융합주제에 대한 교육-탐구설계-수행-논문지도-결과발표에 이르는 전 과정을 포함하고 있다. | |||||||||
| ESM4010 | 정보통신네트웍 | 3 | 6 | 전공 | 학사/석사 |
3-4
1-4 |
- | No | |
| 정보통신 네트워크는 현대적 정보시스템의 구축에 필수적인 부분이다. 이 강좌를 통해 데이터 송수신에 관한 이론을 배우고 통신프로토콜, 네트워크 토폴로지, OSI 모델, TCP/IP, LAN, WAN, 각종통신망 장비, ethernet, fast ethernet, ATM, 인터넷, 인트라넷, WWW 등을 통하여 기업의 정보통신 네트워크 구축에 필요한 실질적인 기술을 습득한다. | |||||||||
| ESM4014 | 인간정보처리론 | 3 | 6 | 전공 | 학사/석사 |
3-4
1-4 |
- | No | |
| 인간의 정보처리 능력에 관한 모델과 이론을 학습한다. 정보처리론과 관련 모델에 관한 배경과 이론적 전개과정을 집중적으로 다루며, 연관된 실험을 계획하고 자료 수집 및 분석 과정을 연구한다. | |||||||||
| ESM4025 | 실험적자료분석론 | 3 | 6 | 전공 | 학사/석사 |
3-4
1-4 |
- | No | |
| 실험적 자료설명 기법에 대한 새로운 기법들이 소개된다. 이 강의에서 다루는 기법들은, 도표기법, 자료변환, 강건 및 레지스탄트 요약법, 잔차분석, 재추출 기법등이다. 실제 자료를 갖고 응용을 실시하며, 통계적 소프트웨어의 사용이 강조된다. | |||||||||
| ESM4026 | 이산최적화 | 3 | 6 | 전공 | 학사/석사 |
3-4
1-4 |
- | No | |
| 이 과목에서는 현재 시스템 최적화 응용을 위해 가장 널리 쓰이는 operations research 분야의 하나인 discrete optimization 분야의 이론과 응용 방법을 학습한다. 구체적으로, modeling 방법론, polyhedral 이론, computational complexity 이론, branch-and-bound algorithm, cutting plane algorithm, approximation 이론 등의 주제에 대하여 시스템 응용을 염두에 둔 분석 및 알고리듬 설계 및 구현 방법론을 강의한다. 또한 discrete optimization 분야의 최근 연구 동향 및 응용 사례를 학습한다. | |||||||||
| ESM4027 | MetaHeuristic | 3 | 6 | 전공 | 학사/석사 | 1-4 | - | No | |
| 이 과목에서는 현재 시스템 최적화 응용을 위해 널리 쓰이는 operations research 분야 중 정확한 해법의 개발이 어려운 경우 사용되는 Meta Heuristic 분야의 이론과 응용 방법을 학습한다. 구체적으로, modeling 방법론, computational complexity 이론, local improvements, simulated annealing, tabu search, genetic algorithm 등의 이론을 학습하며, 이러한 기법을 활용하여 특정한 discrete optimization 분야의 문제에 대한 학생 개인의 Meta Heuristic 기법 활용 프로젝트를 수행한다. | |||||||||
| ESM4029 | 지능정보시스템 | 3 | 6 | 전공 | 학사/석사 |
3-4
1-4 |
- | No | |
| 인공지능과 전문가시스템의 기술이 발달함에 따라 이 기술들의 원리를 이해할 필요가 있을 뿐만 아니라, 기존의 정보시스템기술과 경쟁 및 보안 관계를 이루며 정보시스템을 설계할 수 있어야 한다. 그래서 이 과목은 인공지능과 전문가시스템의 주요 개념과 개발도구 실습을 먼저 수행한 후 이 기술이 경영의사결정지원에 어떻게 응용될 수 있는 지 교육한다. 기본적인 인공지능 기법을 토대로 추론방법, 기계학습, 계획수립, 사례기반추론, 신경망이론, 퍼지이론 등에 관한 최신이론을 연구하며, 최근의 학술지와 문헌을 중심으로 새로운 연구 분야를 개척한다. | |||||||||
| ESM4035 | 사용편의성공학 | 3 | 6 | 전공 | 학사/석사 | 1-4 | - | No | |
| 정보 전달의 주된 도구인 웹과 정보통신 기기의 인간-컴퓨터 인터페이스의 설계에서 발생하는 사용편의성(usability)의 개념과 측정 방법을 파악한다. 사용편의성의 원칙과 방법론이 어떻게 실제 인터페이스 설계에 적용되고, 이를 어떻게 평가해야 하는지 실습을 통해서 공부한다. | |||||||||
| ESM4036 | 감성정보처리 | 3 | 6 | 전공 | 학사/석사 | 1-4 | - | No | |
| 인간의 감성 정보처리 능력에 대한 이론적인 접근방법과 Human-Machine Interface Design에 구체적으로 활용되는 사례를 공부한다. 시각, 청각, 및 촉각 등의 오감을 통한 정보의 습득과 처리 과정, 그리고 인간의 감성정보 처리능력을 향상시킬 수 있는 인터페이스 디자인 방법, 감성적인 만족을 유발하는 affection factors, technology acceptance, user experience에 관한 이론을 습득한다. | |||||||||
| ESM4050 | 스마트공장개론 | 3 | 6 | 전공 | 학사/석사 | 산업공학전공 | - | No | |
| 이 과목은 스마트제조(Smart Manufacturing)와, 핵심 실행 전략인 스마트공장(Smart Factory)에 대한 입문과목으로, 스마트공장의 배경/개념/기술/사례/전략과 방법에 대한 기본 내용을 학습한다. 특히 제조시스템의 역사와 전망, 스마트공장 운영방법론, 스마트공장 경영, 스마트공장 운영설계 핵심기술에 대해 배운다. | |||||||||
| ESM4100 | 산학연계융복합연구Ⅰ | 3 | 6 | 전공 | 학사/석사 | 한 | Yes | ||
| 스마트공장(Smart Factory) 분야의 산학연 공동 프로젝트에 참여하여 스마트공장의 운영, 설계나 소프트웨어 솔루션 개발에 관련된 실무적인 융복합 연구를 수행하며, 성과 발표를 진행한다. | |||||||||
| ESM4102 | 데모공장IIoT시스템및실습 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 본 교과목은 스마트공장에 대한 이해와 산업용 사물인터넷(IIoT)의 구조와 구성요소들에 대해 다루며, IIoT 임베디드 시스템을 이용하여 실제 제조현장 문제들을 해결하는 과정을 데모공장에서 학습한다. | |||||||||
| ESM4103 | 스마트공장ICT생산시스템및실습 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 본 교과목은 ICT 기술을 활용한 공정설계 및 공정제어 최적화 기법을 다룬다. 상용 솔루션을 활용하여 조립공정 구성, 실시간 데이터 취합/분석/최적화, 실제 장비와의 디지털 트윈 구성을 실습한다. | |||||||||
| ESM4105 | 스마트품질관리 | 3 | 6 | 전공 | 학사/석사 | 영 | Yes | ||
| 본 과목은 제조 및 서비스 품질관리를 위한 다양한 분석기법을 소개한다. 핵심 주제로는 고객 수요 및 품질, 품질비용, 프로세스 역량 분석, 통계적 프로세스 관리, 변수 및 속성 제어, 실험 설계, 정보 신뢰도, 핵심 성과 지수, 벤치마킹, 경향 분석, 성과 향상을 위한 평가체계, 식스 시그마가 있다. 또한 다양한 산업체의 사례를 통해 장단기 성과평가 전략 및 향상방안을 학습한다. | |||||||||
| ESM4107 | 스마트공장운영최적화 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 스마트팩토리 운영 최적화를 위한 스케줄링 이론 및 알고리즘을 소개한다. Single machine, parallel machines, flow shop, job shop으로 구분되는 제조시스템의 복잡도, 속성, 여러 가지 이론 및 알고리즘 등을 배운다. | |||||||||
| ESM4108 | 스마트공장모델링및시뮬레이션 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 스마트공장을 모델링과 시뮬레이션에 필요한 시뮬레이션 이론과 응용기법을 학습하고, 시뮬레이션 모델링 언어인 ARENA, SIMIO, ANYLOGIC 등의 SW를 학습한다. 또한, 스마트공장 모델링과 시뮬레이션의 최신 연구 동향을 함께 탐색하고 토의하여 스마트공장 모델링과 시뮬레이션에 관한 최신 연구기법들에 대해서도 학습 한다. | |||||||||
| ESM4109 | 스마트공장인턴십1 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 방학기간을 이용하여 국내기업과 외국기업에서 단기 인턴십 수행을 통한 취업 역량의 강화 및 업무 수행능력 신장 | |||||||||
| ESM4110 | 스마트공장인턴십2 | 3 | 6 | 전공 | 학사/석사 | 한 | Yes | ||
| 방학기간을 이용하여 국내기업과 외국기업에서 단기 인턴십수행을 통한 취업 역량의 강화 및 업무 수행능력 신장 | |||||||||
| ESM4111 | 데이터분석과기계학습 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 본 과목은 데이터 분석을 위한 기계학습과 데이터마이닝의 기본 개념 및 기법을 다룬다. 데이터 탐색, 분류 모델링, 군집 분석, 이상치 탐지, 연관 분석 등의 주요 방법론과 적용 사례를 소개한다. | |||||||||
| ESM4112 | 스마트헬스케어시스템 | 3 | 6 | 전공 | 학사/석사 | - | No | ||
| 데이터 기반 헬스케어 시스템은 현대 의료 서비스의 혁신과 효율성을 크게 증진시키는 중요한 요소로, 건강 데이터의 수집, 분석 및 활용을 통해 개인화된 치료, 질병 예측 및 예방, 그리고 의료 서비스의 전반적인 품질 향상을 가능하게 한다. 이 시스템의 핵심은 빅데이터, 인공지능, 머신러닝, 그리고 IoT와 같은 첨단 기술의 통합으로, 빅데이터 분석은 환자의 건강 기록, 임상 시험 결과, 실시간 모니터링 데이터 등 다양한 소스로부터 통찰력을 추출하는데 사용되며, 인공지능과 머신러닝 알고리즘은 이러한 데이터를 통해 병리학적 패턴을 식별하고, 치료 결과를 예측하며, 맞춤형 치료 계획을 제안하는 데 도움을 준다. 본 "스마트헬스케어시스템"과목은 이러한 데이터 기반 헬스케어 시스템 전반에서 활발히 응용되는 다양한 데이터 분석 기술을 살펴보고, 그 활용 예를 통해 실제 환경에서 어떻게 사용되는지 접하며 이를 구현해보는 것을 목표로 한다. 이에 본 과목은 다음과 같은 다양한 모듈로 구성될 수 있다. 1. 스마트 헬스케어 시스템 개론: 수업 개요 역할의 첫 모듈에서는 스마트 헬스케어의 기본 개념, 역사 및 최근 발전 동향을 소개한다. 스마트 헬스케어의 정의와 그것이 현대 의료에 어떻게 통합되고 있는지에 대한 개요를 제공하며, 이 분야의 기술적 진보와 그것이 의료 서비스에 끼친 영향을 간단히 살펴본다. 2. 기술과 건강 관리의 통합: 웨어러블 기기, IoT, 인공지능, 빅데이터와 같은 기술들이 건강 관리에 어떻게 적용되는지에 대해 다룹니다. 이 모듈은 기술이 진료, 질병 감지, 환자 모니터링 및 예방 건강 관리에서 어떻게 활용되는지를 탐구합니다. 또한 의료 데이터들의 다양한 종류를 살펴보고 다양한 종류의 데이터들이 어떻게 분석되고 활용되는지 살펴본다. 3. 데이터 분석 및 기술적 접근: 본 수업의 주된 내용인 데이터 분석 모듈은 건강 데이터의 수집, 처리, 분석과 관련된 기술적 측면을 다룬다. 이 모듈은 머신러닝, 딥러닝, MDP(Markov Decision Processes)과 강화학습, 그래프 뉴럴 네트워크 등 데이터를 분석하고 해석하는 다양한 고급 기술을 소개한다. 4. 스마트 헬스케어 응용 사례 연구: 이 부분에서는 스마트 헬스케어 시스템의 실제 사례 연구를 분석한다. 특히, 앞서 배운 데이터 분석 기술이 실제 의료 환경에서 추출되는 데이터에 어떻게 활용되는지 살펴보고, 헬스케어 관련 연구에서 유의해야 할 부분과, 연구에 대한 결과가 어떠한 효과를 불러올 수 있는지를 알아본다. | |||||||||