발전기금
교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
| 학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
|---|---|---|---|---|---|---|---|---|---|
| AIM4001 | 빅데이터분석특론 | 3 | 6 | 전공 | 학사/석사 | 인공지능학과 | - | No | |
| 빅데이터 분석에 중추적인 역할을 하는 주요한 데이터 마이닝 기법 및 기계학습 방법론에 대해 학습한다. 빅데이터의 종류 및 성격을 파악하여 그 데이터 안에서 의미 있는 정보를 추출하기 위해 어떤 빅데이터 처리 기법을 적용해야 하는지에 대해 습득한다. 더 나아가 빅데이터 분석에 활용할 수 있는 확장성 높은 데이터 마이닝 알고리즘을 설계하고, 다양한 빅데이터를 수집 및 분석하는 소프트웨어를 개발하는 것을 목표로 한다. 강의 중반부까지는 빅데이터 분석에 필요한 주요 지도학습 및 비지도학습 방법론에 대한 이론적 분석 및 실제 적용 예에 대해 소개한다. 강의 중반 이후에는 빅데이터의 대표적인 예 중 하나인 거대 소셜 네트워크를 분석하기 위한 다양한 그래프 마이닝 기법들에 대해 공부한다. 한 번의 중간시험과 세 번의 과제, 최종 설계 프로젝트를 통해 평가한다. 학기말 설계 프로젝트를 통해서 실제 빅데이터를 수집하거나 기존에 존재하는 빅데이터를 분석하는 소프트웨어를 개발하는 것을 목표로 한다. | |||||||||
| AIM4003 | 자연어처리개론 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 인공지능학과 | 한 | Yes |
| 본 과목에서는 자연어를 분석하고 생성하는 이론과 기술에 대한 전반적인 내용을 다룬다. 구체적으로 텍스트 수집, 텍스트 전처리, 문서 통계 분석, 문서 분류 및 성능 평가, 구문 분석, 파싱, 개체명 인식, 텍스트 벡터화, 텍스트 클러스터링, 텍스트 생성, 토픽 모델링, 유사문서, 요약, 단어 임베딩, 언어 모델 등의 주제를 다루며, 다양한 실전 문제를 해결하는 방식을 이해한다. 본 과목의 목표는 실전 자연어처리 문제를 해결하는 프로그램을 작성하는 것이다. 본 과목을 수강하기 위해서 파이썬 프로그래밍, 기계 학습 및 딥러닝 모델을 이해하고 구현할 수 있어야 한다. | |||||||||
| AIM5001 | 인공지능론 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 이 과목의 목표는 인공지능의 기본이 되는 알고리즘을 이해하여 구현할 수 있도록 한다. 학습 내용은 문제 해결 및 탐색, 논리와 지식 표현, 추론, 계획을 포함한다. | |||||||||
| AIM5002 | 기계학습론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | 한 | Yes |
| 기계학습은어떻게경험으로부터학습하는컴퓨터시스템을만드는가에관한연구분야이다.이과목에서는현재의기계학습분야에서사용되는알고리즘과모델들에대해서설명한다.학습할주요내용은일반화된선형모델,다층인공신경망,서포트벡터머신,베이지안네트워크,클러스터링,차원축소 등이다. | |||||||||
| AIM5004 | 심층신경망 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 본 과목에서는 최근의 심층 인공신경망과 관련된 다양한 방법론을 배운다. 구체적으로, 심층신경망, 최적화 기법, 합성곱 인공신경망, 순환 인공신경망, 집중 메커니즘, 심층생성모델, 시각화 및 설명가능성을 포함한다. | |||||||||
| 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. | |||||||||
| AIM5015 | 임베디드시스템론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 인공지능학과 | - | No |
| 임베디드시스템을제어하는소프트웨어개발에요구되는프로그래밍기법과소프트웨어개념을학습하는것을주목표로한다.자료구조와임베디드소프트웨어개발도구와기법,실시간운영체제,Linux운영체제와디바이스드라이버프로그래밍에대하여학습한다. | |||||||||
| 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. | |||||||||
| 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. | |||||||||
| AIM5053 | 인공지능과윤리 | 3 | 6 | 전공 | 석사/박사 | 인공지능학과 | - | No | |
| 이 과목은 현재 인공지능 모델이 가지는 윤리적 한계점 및 문제점에 대한 분석 및 해결 방안에 대해 토론 및 연구하는 과목이다. 어느 과학기술이든 사용함에 있어 이중성은 존재한다. 예를 들어 핵분열 기술은 발전소와 핵폭탄을 만들어냈다. 인공지능 역시 의도하든 의도하지않든 이러한 점이 존재한다. 이 과목에서는 그러한 양날의 검과 같은 인공지능 모델 및 알고리즘에 대해 분석하며 그 해결법에 대해 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. | |||||||||
| 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. | |||||||||
| DMC5007 | 온디바이스딥러닝 | 3 | 6 | 전공 | 석사/박사 | 1-4 | DMC공학과 | 한 | Yes |
| 본 과목에서는 연산량과 메모리 소모가 큰 딥러닝 알고리즘을 스마트폰이나 IoT 장치에서 실행하는 온-디바이스 딥러닝을 위해 필요한 다양한 뉴럴 네트워크 압축 기법에 대해서 학습한다. 뉴럴 네트워크의 일부 연결을 제거하는 네트워크 프루닝 기법과 낮은 정밀도의 bit를 사용하는 양자화 기법 및 자원제약을 고려한 네트워크 구조를 탐색하는 뉴럴 아키텍쳐 탐색 기법을 다룬다. | |||||||||
| ECE4249 | 컴퓨터비전 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 전자전기컴퓨터공학과 | 한 | Yes |
| 본 과목은 컴퓨터에 의한 영상해석을 위한 이론을 정의한다. 영상 형성의 모델, 초기처리과정, 경계선의 검출, 영역의 확장과 분할, 움직임검출, 정합, Morphology 등의 알고리즘 소개와, 도형인식을 위한 통계적 모델, 분별함수, 결정 경계 및 법칙, 신경망 등의 이론을 강의한다 | |||||||||
| ECE4270 | 영상처리 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 전자전기컴퓨터공학과 | 영 | Yes |
| 디지털 영상신호의 획득, 처리, 출력 및 응용에 관계되는 제반 기초지식을 얻기 위하여 영상신호의 수학적 모델링, 샘플링, 공간 및 시간해상도, 인간 시각체계, 양자화 이론, 2차원 신호처리기초, 이차원변환, 주파수 분석기법, 필터링, 화질향상, 컬러공간 및 컬러변환, 컬러처리, 압축 및 복원기술을 소개하고, 이러한 기술들이 어떻게 사용되는 가를 다양한 실제 예들의 분석을 통해 학습한다. | |||||||||
| ECE5247 | 지속가능IT기술세미나 | 1 | 2 | 전공 | 석사/박사 | 1-4 | 전자전기컴퓨터공학과 | 영 | Yes |
| 본 과목은 최근 정보 통신 분야에서 활발히 연구되고 있는 다양한 영역의 주제를 선정하여 교내외의 전문가들을 초청, 세미나 또는 토론을 진행하여 정보 통신 분야의 최신 흐름을 제공하고자 하는 과목이다. | |||||||||
| ECE5910 | 고급확률및랜덤프로세스 | 3 | 6 | 전공 | 석사/박사 | 1-5 | 전자전기컴퓨터공학과 | 영 | Yes |
| 이 과목에서는 랜덤프로세스에 관한 철저한 이해와 그를 바탕으로 전자공학과 관련된 문제에 랜덤프로세스 이론들을 응용할 수 있는 능력을 습득하도록 한다. 먼저 다변수 Gaussian 밀도 함수를 중심으로 한 확률 및 랜덤프로세스의 기초 이론들을 배운 뒤, 자기상관 및 파워스펙트럼 밀도 함수를 이용하여 다양한 랜덤프로세스 및 그들의 특성에 관해 살펴본다. 지금까지 배운 이론들을 최적 선형 시스템 설계에 응용해본다. | |||||||||
| ECE5913 | 고급디지털신호처리 | 3 | 6 | 전공 | 석사/박사 | 1-5 | 전자전기컴퓨터공학과 | - | No |
| 신호처리를 위한 기본적이고 고전적인 방법인 푸리에 변환법의 범위를 넘어선 월쉬 및 하다마드와 같은 직교변환에 대해 알아보고 호모몰픽 기법과 일반화된 위-너 필터 등에 대해 공부한다. 그리고 대상시스템의 모델에 따라 독립적으로 적용할 수 있는 신호처리 기법으로 자동회귀(回歸)법 및 최대엔트로피법 등에 대해 살펴본다. 아울러 신호분석 영역을 다차원 공간에서 동시에 적용하는 방법으로 시간-주파수 및 공간-시간 분석법에 대한 개념과 장단점 등에 대해 알아보며, 학기 중에 개별적으로 프로젝트를 수행하게 된다. | |||||||||
| ECE5920 | 최적화기법 | 3 | 6 | 전공 | 석사/박사 | 1-5 | 전자전기컴퓨터공학과 | 영 | Yes |
| 선형 및 비선형 프로그래밍, 반복기법 및 다이내믹 프로그래밍 등을 소개한다. 다이내믹 프로그래밍 방법으로부터 이산 및 연속 최적 조절기를 유도하는 방법을 소개한다. 다이내믹 프로그래밍 방법은 Hamilton-Jacobi -Bellman 방정식, 최소법칙 등을 유도할 수 있다. 또한 최소 에너지 문제, 선형 추종 문제, 출력 조절기 및 최소 시간 문제 등을 다룬다. | |||||||||
| ECE5984 | 기계학습코너스톤 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 전자전기컴퓨터공학과 | 영 | Yes |
| 기계 학습은 어떻게 경험으로부터 학습하는 컴퓨터 시스템을 만드는가에 관한 연구분야이다. 이 과목에서는 현재의 기계학습 분야에서 사용되는 알고리즘과 모델들에 대해서 설명한다. 학습할 주요 내용은 일반화된 선형 모델, 다층인공신경망, 서포트벡터머신, 베이지안 네트워크, 클러스터링, 강화학습 등이다. | |||||||||
| ESW4001 | 가상현실론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 한 | Yes | |
| 가상현실은 컴퓨터공학을 기반으로 다양한 분야를 융합하는 차세대 미디어이다. 본 과목은 가상현실에 대한 기술적인 측면에 초점을 맞추어 이론적인 기초, 하드웨어/소프트웨어와 그 응용에 대해서 다룬다. 주요한 주제는 가상현실 시스템, 컴퓨터그래픽스 기초와 3D 입체 렌더링, 시각/청각/촉각 지각, 3D 상호작용과 실용적인 구현 기법을 다룬다. | |||||||||
| ESW4006 | 정보시각화 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 영 | Yes | |
| 데이터 저장 및 처리 기술의 발달로 인해 인간이 다루는 데이터의 크기는 전례 없는 속도로 증가하고 있다. 이러한 데이터 크기의 증가에도 불구하고 인간의 인지 능력은 과거에서 크게 변하지 않아 인간과 데이터 사이의 정보 장벽이 심화되고 있다. 정보시각화(Information Visualization)는 이러한 정보 과부하를 효과적인 시각적 표현을 이용하여 해결한다. 본 교과목에서는 시각화를 효과적으로 디자인하고, 평가하고, 비평하는 방법을 학습한다. 또한, 인간의 인지적 특성과 이것이 어떻게 시각화에 이용되는지 배우고, 이것이 적용된 실제 시각화 및 상호작용 방법을 다룬다. 마지막으로, 이러한 인터랙티브한 데이터 시각화를 컴퓨터에서 구현하는 방법에 대해서 실습한다. 본 교과목에서 다룰 주제는 아래와 같다. - 정보시각화의 토대, 탐색적 데이터 분석, 시각적 분석 - 데이터 및 과업(task) 추상화 - 테이블, 지도, 네트워크, 텍스트, 불확실성 시각화 - 대용량 고차원 데이터를 위한 시각화 - 기계학습 기술의 설명력과 신뢰도를 위한 시각화 | |||||||||
| ESW4014 | 강화학습개론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 한 | Yes | |
| 본 과목은 주어진 환경에서 최적의 행동 정책을 찾는 강화 학습 (Reinforcement Learning, RL) 기초 이론과 알고리즘에 대해서 배운다. Markov Decision Process, Planning, Q-learning 과 같은 강화 학습 기초 이론부터 Value Function Approximation, Policy Gradient Method 와 같은 심층 신경망 기반 강화 학습 알고리즘을 다룬다. 더불어 환경 모사를 통한 Model-based RL, Exploitation & Exploration Trade-off, 전문가의 행동을 모방하는 Inverse RL 에 대해서도 학습한다. 본 과목을 이수하기 위해선 자료구조, 알고리즘 및 기계학습 등에 대한 기초 지식이 필요하다. | |||||||||
| ESW4024 | 추천시스템개론 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 소프트웨어학과 | 한 | Yes |
| 추천 시스템은 사용자의 클릭/구매 이력과 항목의 콘텐츠 정보를 활용하여 사용자의 숨겨진 선호도를 추론하고, 이를 기반으로 사용자가 좋아할만한 항목을 제공하는 것을 목표로 한다. 추천 시스템은 대규모의 데이터에서 유용한 정보를 찾아주는 대표적인 정보 필터링 방법으로 다양한 웹 애플리케이션 및 E-Commerce에서 폭넓게 활용되고 있다. 본 수업에서는 이와 같은 추천 시스템을 구현하기 위한 대표적인 추천 모델에 대해서 다룬다. 구체적으로, 사용자 이력만을 활용하는 협업 필터링(Collaborative Filtering)과 항목의 콘텐츠 간 유사도를 활용하는 콘텐츠 기반 필터링 기법에 대해서 다룬다. 특히 협업 필터링은 이웃 기반의 방법론과 모델 기반의 방법론에 대해서 다루며, 모델 기반은 전통적인 선형 모델부터 최근의 신경망 기반의 비선형 모델에 대해서 폭넓게 살펴본다. 또한, 최근 사용자의 순서 이력을 고려한 시계열 기반 추천 모델과 콘텐츠와 이력 정보를 함께 활용하는 행렬 분해 머신(Factorization machines)에 대해서도 살펴본다. 특히, 이와 같은 추천 모델을 직접 구현하여 성능 비교 및 장단점에 대해서 함께 살펴본다. | |||||||||