High Tech, High Touch

Search
Close
Search
 

대학원과정

  • home
  • 대학원과정
  • 인공지능융합학과
  • 교육과정

대학원과정

인공지능융합학과

교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.

교육과정
학수번호 교과목명 학점 자기
학습
시간
영역 학위 이수
학년
비고 언어 개설
여부
ADS5002 기초통계 3 6 전공 석사/박사 1-8 데이터사이언스융합학과 Yes
이 과목에서는 효과적인 데이터 분석을 위해 R 로 프로그래밍하는 법과 R 을 사용하는 법을 배운다. 통계 프로그래밍 환경에 필요한 소프트웨어를 설치하고 구성하는 방법을 배우고 일반 프로그래밍 언어 개념을 상위 수준의 통계 언어로 구현해본다. 이 과정에서는 R 프로그래밍, 데이터 처리, 패키지 활용, 프로그래밍 개발, 디버깅와 같은 통계 컴퓨팅의 실질적인 문제를 다룬다.
ADS5006 기계학습특론 3 6 전공 석사/박사 1-8 데이터사이언스융합학과 Yes
이 과정은 기계 학습, 데이터 마이닝 및 통계 패턴 인식을 소개한다. 주제는 다음과 같다 : (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI). 이 과정에서는 수많은 사례 연구 및 응용 프로그램을 활용하여 스마트 로봇 (지각, 제어), 텍스트 이해 (웹 검색, 스팸 방지), 컴퓨터 비전, 오디오에 학습 알고리즘을 적용하는 방법도 학습한다.
ADS5032 데이터사이언스응용 3 6 전공 석사/박사 1-8 데이터사이언스융합학과 - No
데이터사이언스가 실제 환경에 어떻게 적용 및 활용되는지를 이해하는 것은 매우 중요하다. 이 과목은 데이터사이언스의 기초를 습득한 후 다양한 분야에서 데이터사이언스가 어떻게 적용 및 응용 될 수 있는지를 배운다. 또한 현재 사용되는 다양한 데이터사이언스 활용 및 분석 기법들도 소개된다.
ADS5034 컴퓨터 비전 3 6 전공 석사/박사 1-8 데이터사이언스융합학과 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
ADS5035 데이터기반보안과프라이버시 3 6 전공 석사/박사 1-8 데이터사이언스융합학과 Yes
해당 과목은 보안과 프라이버시 문제들에 있어서 데이터 및 빅데이터 분석 기법들이 어떤 역할을 하는지를 소개한다. 특히 난해한 보안 및 프라이버시 문제를 해결을 하는데 다양한 기계학습, 인공지능 및 빅데이터 분석 방법들이 어떻게 활용 되는지 소개한다.
AIM5001 인공지능론 3 6 전공 석사/박사 인공지능학과 Yes
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 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.
AIM5020 컴퓨터비전론 3 6 전공 석사/박사 1-4 인공지능학과 Yes
시각정보를컴퓨터를이용하여처리하는기법에관하여다룬다.주요내용으로는이미지처리대수,이미지질개선,경계선검출,문턱치설정,세선화및골격추출,음운적변환,선형변환,패턴매칭및형상검출,이미지특징및기술,심층신경망등이있다.
AIM5021 자연어처리이론및응용 3 6 전공 석사/박사 1-4 인공지능학과 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.
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.
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.
AIM5055 베이지안학습론 3 6 전공 석사/박사 인공지능학과 - No
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 Yes
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.
AIM5058 변분추론 3 6 전공 석사/박사 1-4 인공지능학과 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.
CHS5003 에이전트모델링을활용한소셜시뮬레이션 3 6 전공 석사/박사 도전학기(대학원) - No
우리가 살아가고 있는 세상(system)은 물리적 환경(environment)과 그 안에서 행동하는 일종의 객체인 행위자(agent)로 구성되어 있다. 각각의 행위자는 어떠한 기준에 따라 스스로 판단하고 행동하며, 이들 구성요소 간의 상호작용을 통해 다양한 현상을 보인다. 행위자 기반 모델링을 통한 시뮬레이션은 이러한 형태의 사회적 현상들을 모델링하기 위해 활용되며, 교통, 공중보건, 국방 등 다양한 분야에서 활용되고 있다. 본 과목에서는 기초 통계, 소셜 시뮬레이션의 기본 구성단위인 인구에 대한 모델링 (인구생성), 행위자 기반 모델링 방법론, 감염병 확산 분석 등을 중심으로 이론 및 연구사례를 통해 소셜 시뮬레이션의 개념과 사례를 익히는 것을 목표로 한다.
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 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.
DAI4001 인공지능과프로그래밍 3 6 전공 학사/석사 Yes
본 강좌는 프로그래밍에 대한 지식이 없는 비전공자를 대상으로 인공지능 활용을 위한 프로그래밍 언어인 파이썬의 기본 개념을 이해하고 인공지능과 빅데이터 활용을 위한 패키지와 시각화, 실제 데이터 분석과 응용을 수행할 수 있는 능력을 함양한다.
DAI5001 인공지능기초 3 6 전공 석사/박사 1-8 - No
인공지능은 사람의 지능과 인지 기능을 흉내낼 수 있는 정보처리 모델을 연구하는 분야이다. 인공지능의 근본적인 문제로서 경험적 탐색, 추론, 학습, 지식표현 방법에 관한 이론과 근본적인 계산학적 문제들을 다룬다. 논리 기반의 정리증명, 게임이론, 지능형 에이전트 등에 관해 다루며 신경망, 진화연산, 베이지안망의 기본 원리를 학습하고 이의 응용 사례로서 전문가시스템, 컴퓨터비전, 자연언어처리, 데이터마이닝, 정보검색, 바이오정보학 등의 분야에 대해 살펴본다.
DAI5002 인공지능프로그래밍 3 6 전공 석사/박사 1-8 Yes
본 강좌는 프로그래밍에 대한 지식이 없는 비전공자를 대상으로 인공지능 활용을 위한 프로그래밍 언어인 파이썬의 기본 개념을 이해하고 인공지능과 빅데이터 활용을 위한 패키지와 시각화, 실제 데이터 분석과 응용을 수행할 수 있는 능력을 함양한다.
DAI5003 인공지능을위한수학 3 6 전공 석사/박사 1-8 Yes
본 과목은 인공지능융합학과에 입학하는 신입생을 위해 인공지능을 이해하고 활용하는 데 필요한기초 수학/통계를 습득하는 과목으로 향후 인공지능을 자유롭게 활용하기 위한 통계적 토대가 되는 강좌이다. 즉, 본 과목을 통해 수강생이 머신러닝을 이해하는데 있어 필요한 수학을 프로그래밍과 연계하여 학습하는데 있다. 이를 위해 본 강의는, 대수학, 미적분학, 선형대수, 기하학과 같이 머신러닝 학습 및 강좌에 필수적으로 요구되는 내용을 다루고자 한다.
DAI5004 고급머신러닝/딥러닝 3 6 전공 석사/박사 1-8 Yes
본 강좌에서는 머신러닝과 딥러닝, 그리고 이와 관련된 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델들은 CNN과 RNN의 이론과 활용, 적용에 대해 학습하고 실습을 수행한다.
DAI5005 고급데이터마이닝 3 6 전공 석사/박사 1-8 - No
데이터 마이닝은 최근 빅데이터 분석을 위한 필수 도구로 많은 관심을 받고 있다. 특히 인공지능과 컴퓨터공학에서 고급 데이터 마이닝 알고리즘 및 분석 플랫폼을 설계하고 구현하는 기술을 학습하는 것은 빅데이터와 데이터 과학 분야에서 가치 있는 지식을 도출하는 데 핵심적인 역할을 한다. 본 과목은 이를 위한 컴퓨터공학, 데이터과학 기반 고급 기술, 알고리즘, 핵심 플랫폼을 다룬다. 또한 초대용량 데이터, 초고속 데이터 등을 효과적으로 분석하는 기법을 학습한다.
DAI5006 고급자연어처리 3 6 전공 석사/박사 1-8 - No
본 수업은 온라인 수업으로 진행하고, 기말고사/발표 등 일부 수업을 오프라인으로 진행할 수 있다. 본 과목은 자연어를 입력으로 받아 전처리/분석하여 의미를 이해하고, 자연어를 출력하는 프로그램을 구현하는 것을 목표로 한다. 수업은 교수의 이론 설명과 학생들의 논문 발표로 이루어지며, 과제/발표 및 프로젝트 수행이 평가요소에 반영된다. 학생들은 본 수업을 수강하기 위하여 머신러닝과 딥러닝 기술을 이해하고 있어야 하며, 파이썬 프로그래밍 능력이 필수적으로 갖추고 있어야 한다. 수업의 내용은 자연어 전처리, NLTK 패키지 사용법, 단어 벡터 임베딩, 형태소 분석, 파싱, 머신러닝 기반 텍스트 분류/예측/생성 모델, 신경망 기반 언어 모델, NLP 응용 프로그램을 포함한다.
DAI5007 융합서비스디자인프로세스 3 6 전공 석사/박사 1-8 - No
경제적/환경적/경험적 관점의 인간 가치에 대한 분석 및 모델링, 서비스 소비자 심리 및 행동 분석 등을 기반으로 서비스 수혜자, 제공자 등 서비스 관련자의 가치 주제 및 요소를 정의하고, 이들 가치를 견인하는 관련자 행위, 상호작용 및 터치포인트를 디자인한다. 특히 이들을 관련자의 종합적 경험으로 관리하는 서비스 디자인 과정 기반 프로세스를 팀-기반 프로젝트를 통하여 학습한다. 인공지능과 데이터마이닝과 관련된 지식을 기반으로 고객 데이터 분석을 어떠한 형태로 수행하고, 이에 따른 서비스 디자인을 어떠한 형태로 수행하는 지를 학습한다 (사전선수과목: 인공지능 기초, 고급데이터마이닝, 고급머신러닝/딥러닝).
DAI5008 고급강화학습 3 6 전공 석사/박사 1-8 - 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 프리예측, 모델 프리 제어, 가치 함수 근사, 정책 그레디언트, 학습과 계획, 탐구 및 탐사 등을 다루고자 한다.