High Tech, High Touch

Search
Close
Search
 

대학원과정

  • home
  • 대학원과정
  • AI시스템공학과
  • 교육과정

대학원과정

AI시스템공학과

교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.

교육과정
학수번호 교과목명 학점 자기
학습
시간
영역 학위 이수
학년
비고 언어 개설
여부
SUP5001 심층신경망이론및응용 3 6 전공 석사/박사 1-4 - No
본과목은 여러분야에서 다양하게 활용되는 인공신경망 기반의 딥러닝을 다룬다. 특히 컴퓨터비전과 자연어처리 분야에서 현대 인공신경망이 어떻게 활용되는지 다룬다. Convolutional networks, RNNs, LSTM, Dropout 등을 학습한 다. 이와 더불어 최근의 주요 딥러닝 기술트렌드를 소개한다.
SUP5002 컴퓨터구조및AI응용 3 6 전공 석사/박사 1-4 - No
본 강의에서는 현대의 컴퓨터 구조와 관련한 수치 표현 및 연산, 데이터경로와 파이프라이닝, 캐시 구조, 메모리 시스템, 저장장치와 입출력 장치 등의 원리와 기법들에 대해 강의한다. 컴퓨터 구조의 응용 중 하나로, AI 및 딥러닝 모델의 효율적인 학습과 추론을 위해 최근에 제안된 하드웨어 구조와 기법들에 대해서도 다룬다.
SUP5003 머신러닝알고리즘과응용 3 6 전공 석사/박사 1-4 Yes
본 과목은 머신러닝을 처음 배우는 학생들의 동기를 부여하기위하여, 지도학습과 비지도학습을 위한 다양한 머신러닝 모델을 소개하고, 이 모델들을 머신러닝 라이브러리 scikit-learn을 이용한 실습과제를 수행함으로써, 모델에 대한 이해와 더불어, 실제 데이터를 이용하여, 다양한 문제에 적용하는 응용의 경험을 얻게 하는 것이 목표이다. 지도학습과 관련해서는, 선형모델을 이용한 회귀분석을 시작으로 over-fitting 문제가 왜 발생되는지, 이를 선형회귀에서 다루는 가장 대표적인 L2 regularization을 적용한 ridge regression, 이진분류 문제를 위한 가장 대표적인 방법인 logistic regression, 심플하면서도 널리 쓰이고 있는 분류기인 k-nearest classifier, 텍스트 데이터 분류에 널리 쓰이고 있는 Naive Bayes classifier를 소개한다. CART와 같은 decision tree 모델을 소개하고, Bagging이 적용된 random forest, 그리고 boosting 방법을 소개한다. Support vector machine을 이용한 large margin classifier를 또한 소개한다. 비지도학습과 관련해서는, 레이블 정보 없이 데이터를 군집화는 두 가지 방법, 즉 k-means clustering 과 mixture of Gaussians을 소개한다. 고차원 데이터를 저차원으로 변환하는 dimensionality reduction 방법으로 principal component analysis, nonnegative matrix factorization, stochasitic neighorhood embedding 방법을 소개한다.
SUP5004 신경연결소자와응용 3 6 전공 석사/박사 1-4 Yes
신경 인터페이스로 사용되는 전자소자의 구조 재료 전기적 특성에 대한 기초적 지식을 다루며, 신경 연결 소자를 사용한 다양한 진단 치료 방법을 이론강의를 통하여 습득한다. 예를 들어, 신경 치료를 하기 위한 전기, 빛, 약물 자극의 효과와 이를 위한 전자소자의 필요 성능 및 기능을 확인한다. 신경 연결 소자의 발전과정과 현재 진행 중인 관련 연구 경향을 알아보고, 미래 연구 방향을 예측해 본다. 본 교과목에서는 신경연결 소자에서 요구되는 융합 지식을 교육하고, 융합적 공학 인재 양성을 목표로 한다.
SUP5005 인공지능과클라우드시스템 3 6 전공 석사/박사 1-4 - No
클라우드 시스템은 대규모 컴퓨팅 자원을 필요로 하는 인공지능의 학습과 추론을 위한 핵심 인프라로 사용되고 있다. 본 과목은 인공지능을 위한 분산처리 및 클라우드 시스템 기술의 핵심 요소와 최근 기술 동향을 다룬다. 구체적으로 클라우드 시스템 인터페이스, 오케스트레이션 기술, 가상화 기술을 학습하고, 분산학습의 원리, 분산학습 프레임워크 디자인과 클라우드 시스템에서 분산학습 클러스터의 설계와 구현기법에 관해 배우게 된다.
SUP5006 머신러닝을위한수학 3 6 전공 석사/박사 1-4 Yes
본 과목은 머신러닝을 배우는 학생들이 처음에 겪는 가장 큰 어려움인, 수학적 지식의 부족을 보강해주는 목적으로 설계된 과목으로, 머신러닝에서 꼭 필요한 여러 수학들을 모아서 가르친다. 벡터와 행렬을 다루는 선형대수를 시작으로, 선형 대수 방정식, 내적, norm, orthogonal projection과 같은 개념을 소개하고, SVD와 같은 행렬분해가 머신러닝에서 어떻게 활용이 되는지도 소개한다. 확률과 분포와 관련해서는, 랜덤 변수, 기대값, 가우시안 분포, Bernoulli 분포등을 소개하고, 확률과 분포가 머신러닝에서 어떤 역할을 하는지도 설명한다. Parameter estimation 방법으로, maximum likelihood estimation, maximum a posteriori (MAP) estimation을 소개한다. 정보이론과 관련해서는 entropy, mutual informtion, KL-divergence를 소개한다. Continuous optimization에 필요한 vector calculus를 소개하고, 가장 대표적인 gradient descent/ascent 방법과 Newton 방법을 소개함으로써, 머신러닝을 위한 수학을 마무리하고, 몇 개의 대표적인 머신러닝 모델을 살펴보며, 앞에서 배운 수학이 어떻게 활용되는지 살펴본다.
SUP5007 지능형생체융합센서설계 3 6 전공 석사/박사 - No
1. 물리센서를 활용한 생체 신호 획득 물리센서는 저항 스트레인 센서를 활용할 예정이며, 신축성을 지닌 Composite 재료를 사용하여 제작할 수 있음. 해당 센서를 활용한 피부 부착형 센서로써 활용 방안 및 응용 연구 방안 도출을 목표로 함. 학습내용은 아래와 같음. 1) 피부 부착형 센서의 전반적 지식 전달 2) 저항 센서 제작 및 활용 방안 도출 2. OpenBCI를 활용한 생체 신호 획득 및 분석 OpenBCI는 오픈소스 하드웨어로서 TI 사의 ADS1299 칩을 기반으로 하여 생체 신호를 획득하는 기기임. 본 강좌에서는 OpenBCI의 Cyton board를 활용하여 생체 센서로부터 다채널 신호를 획득하고 이를 무선으로 PC에 전달하는 과정과 생체 신호 처리의 기초에 대한 내용을 습득하는 것을 목표로 함. 제작된 생체 센서를 OpenBCI 시스템에 연결하여 생체 신호를 획득하는 실습을 진행하며 이를 통해 머신러닝을 활용한 분석을 가능하게 함. 학습 내용은 아래와 같음. 1) OpenBCI 하드웨어의 구성 및 생체 센서와의 연동 실습 2) Bluetooth 및 WiFi 등의 무선 통신을 통한 생체 신호의 전송 3) Brainflow 등의 오픈소스 라이브러리를 활용한 Python으로의 생체 신호 전달 4) 생체 신호 컨디셔닝을 위한 필터링 등의 기초적인 디지털 신호 처리 기술 3. 생체융합센서와 인공지능 기술을 융합하여 유용하게 활용될 수 있는 응용분야를 도출하여 해당 응용에 적합한 인공지능 모델을 설계하고, 필요한 데이터셋을 수집/가공하여 인공지능 모델을 학습시킨 후 실제 적용하여 기능 및 성능을 검증하도록 함. 학습 내용은 아래와 같음. 1) 제작된 생체융합센서의 인공지능 융합 응용분야를 도출하고, 인공지능 모델 학습에 필요한 데이터셋을 설계 2) 센서와 OpenBCI를 이용하여 데이터 수집 및 가공 3) 응용에 적합한 인공지능 모델 설계 및 학습 4) 학습된 인공지능 모델의 실제 적용 및 기능/성능 검증
SUP5008 시스템인텔리전스 3 6 전공 석사/박사 Yes
인공지능 기술 발전과 지능형 애플리케이션 적용 분야 확장에 따라, 대규모 모델 학습 및 추론을 최적 지원하기 위한 시스템 및 네트워크 구조 기술이 동시 요구되며, 이 또한 데이터 기반 머신러닝 기술과 연계되어 자동화, 효율화, 최적화 방향으로 발전하고 있다. 본 과목에서는 시스템, 네트워크, 머신러닝 분야 학제간 융합 연구를 토대로, (1) 최신 머신러닝 기술을 활용한 시스템 문제 해결 방법론과 (2) 인공지능의 실세계 문제 적용에 필요한 시스템 및 네트워크 구조에 대해 논의한다. 과목 일정은 다음과 같다. ● 1-5주차: 시스템 문제 해결을 위한 머신러닝 (강화학습, 메타학습, 모방학습, 자기주도학습 등) ● 6-10주차: 머신러닝 기반 시스템 문제 해결 (자동화, 자원관리, 스케줄링 등) ● 11-15주차: 인공지능의 실세계 문제 적용을 위한 시스템 및 네트워크 구조 (분산 학습 플랫폼, 모델 경량화, 가속 등)
SUP5009 생체소자및지능형정보처리 3 6 전공 석사/박사 1-2 - No
생체 조직과 유사한 물성을 갖는 유연한 전자소재 및 소자에 대한 기초적 지식을 다루며, 전극, 센서, 비휘발성 메모리 소자 구현을 위한 다양한 제작 방법 및 특성 분석 관련하여 이론강의를 통하여 습득한다. 또한, 다양한 생체신호 및 영상 등을 정밀하게 분석할 수 있는 다양한 인공지능 응용을 다룬다. 예를 들어, 센서, 메모리 소자, 인공지능의 발전과정과 한계를 알아보고, 미래 연구 방향을 예측해 본다. 본 교과목에서는 융합 지식을 교육하고, 융합적 공학 인재 양성을 목표로 한다.
SUP6001 박사개별연구1 3 6 전공 박사 Yes
이 과목은 대학원 박사과정의 학생들에게 지도교수가 수강학생의 학위논문의 주제와 관련되는 과제를 부여하고, 학생 스스로 일정기간 동안 특정 주제별 문헌조사 및 정리, 실험, 데이터 정리 및 분석, 연구계획서 작성 등을 수행하여 그 결과를 지도교수가 평가하는 제1단계 개별연구 과목이다. 학생 학위논문과 관련된 분야의 이론적 배경, 연구과제의 필요성, 연구의 방향 및 실험 디자인, 그리고 연구결과의 해석과 같은 기존의 과목에서 배울 수 없는 세부사항들을 지도교수의 지도 하에 박사과정 학생 개별적으로 수행하는 맞춤형 교육과정이다.
SUP6002 박사개별연구2 3 6 전공 박사 Yes
이 과목은 대학원 박사과정의 학생들에게 지도교수가 수강학생의 학위논문의 주제와 관련되는 과제를 부여하고, 학생 스스로 일정기간 동안 특정 주제별 문헌조사 및 정리, 실험, 데이터 정리 및 분석, 연구계획서 작성 등을 수행하여 그 결과를 지도교수가 평가하는 제2단계 개별연구 과목이다. 학생 학위논문과 관련된 분야의 이론적 배경, 연구과제의 필요성, 연구의 방향 및 실험 디자인, 그리고 연구결과의 해석과 같은 기존의 과목에서 배울 수 없는 세부사항들을 지도교수의 지도 하에 박사과정 학생 개별적으로 수행하는 맞춤형 교육과정이다.
SUP7001 AI캡스톤디자인1 3 6 전공 학사/석사/박사 Yes
Capstone Design이란 학생이 실제 산업현장에서 부딪히는 문제를 해결하기 위해 대학에서 배운 이론을 바탕으로 하나의 작품을 기획, 설계, 제작하는 전 과정을 통하여 창의적 문제해결 능력을 향상시키는 교육 프로그램이다. AI캡스톤디자인1는 다양한 전공 지식을 가진 학생들이 팀을 이루어 사회 및 산업체가 필요로 하는 AI 응용 과제를 학생 스스로 설계하고 창의적 종합 설계역량을 강화하는 것을 목표로 한다. 설계에 활용되는 다양한 기법에 대해 학습하며, 실습을 통해 이론의 적용방법을 익히고 공학 문제 해결 능력을 배양한다.
SUP7002 AI캡스톤디자인2 3 6 전공 학사/석사/박사 Yes
AI캡스톤디자인2는 AI 분야에서 기업연계 또는 지정된 문제를 해결함으로써 창의성, 실무능력, 팀 워크 및 리더십을 배양하는 것을 목적으로 학생들 간의 소통 및 협력을 체험할 수 있는 융합형 교육 프로그램이다. 팀이 구성된 학생들이 팀프로젝트를 수행함에 있어서 효과적인 팀워크를 바탕으로 공학문제를 해결하기 위한 아이디어를 고안해내기 위하여 멘토와 자문교수들과 협력한다. 우수작품은 특허, 국내외 대회 출품지원 및 사업타당성 검토를 통한 사업화 또는 창업으로 연계하는 것을 목적으로 한다.