AI 기초
고급알고리즘 (Advanced Algorithm)
- 학부의 알고리즘 과목에 이어서 효율적인 알고리즘의 설계와 분석에 대하여 깊이 있게 공부한다. 다루는 주제는 그래프 알고리즘, 대수적 알고리즘, 스트링 알고리즘, 기하 알고리즘, 근사 알고리즘 등이다.
데이터통계 (DataStatistics)
- 실제자료분석 및 문제해결을 위한 기초적 통계기법을 개념 위주로 익힌다. 이를 통하여 고급통계, 즉 회귀분석, 다변 량자료분석, 실험계획법 등을 연구하는 데 필요한 지식을 익힌다.
수학적 모델링I (Mathematical Modeling I)
- 물리과학(Physical Sciences), 공학 등에 등장하는 과학적 현상을 수리 모델링 하는 방법을 배운다, 구체적으로, 실제 문제에서 등장하는 미분방정식, 선형시스템, 비선형시스템, 알고리즘 등을 학습한다
인간중심인공지능개론 (HumanCenteredArtificialIntelligence)
- 인간중신인공지능 수업은 기초인공지능 소개와 함께 해석가능한 인공지능 방법들을 소개한다. 기초인공지능에서는 인공지능 방법들의 전체적 관계와 형태와 Decision Making process - State Search 기반 방법, Constraint 기반 방법 Probabilistic Reasoning, 등 –을 다룬다. Data기반 Optimization 방법들은 해석가능성에 집중하여 여러 Tree기반 Classification/Regression solver들과 rule기반 방법들을 소개한다.
인공지능·데이터처리언어 (Computer Programming for AI&Data Processing)
- 컴퓨터를 활용하여 데이터를 처리하기 위한 프로그래밍 기 술을 학습한다. 특히 프로그램 개발하기 위한 변수와 형, 조건, 반복, 함수 등에 대한 기본 개념과 더불어 이러한 개 념을 Python, C++, JavaScript 등 다양한 컴퓨터 프로그 래밍 언어에 적용하기 위한 방법을 학습한다. 학습 결과로 학생들은 프로그래밍에 관한 기본 개념과 간단한 프로그래 밍 개발 방법, 프로그램을 작성하여 데이터를 터리하기 위 한 방법을 이해할 수 있다.
AI 핵심
고급기계학습 (Advanced machine learning)
- 본 과목은 데이터 마이닝과 기계 학습 분야의 고급 수준 강 좌로, 고전적인 방법론에서부터 최신 학습 알고리즘에 이르기까지 실제 응용에서 유용하게 사용되고 있는 다양한 기법들을 소개한다. 다양한 분류 (classification) 기법, 고 차원 회귀분석 (regression) 모델, 군집화 (clustering), bagging and boosting, 요인 분석 (factor analysis), 은 닉마르코프 모델 (hidden markov model), 그리고 확률 그 래프 모델 (probabilistic graphical model) 등을 다룬다.
고급인공지능 (Advanced Artificial Intelligence)
- 지식표현과 추론을 집중적으로 공부한다. 특히 Ontology Engineering을 위한 지식 표현 및 추론을 중심으로 공부하 며, 이에 대한 사례연구 중심으로 심도 있게 다룬다.
고급인간컴퓨터상호작용 (Advanced Human-Computer Interaction)
- 본 교과목에서는 HCI분야 연구 수행에 있어서 필수적인 HCI 모델, 이론, 프레임워크에 대해서 소개하고, HCI 최신 연구 동향을 살펴본다. 또한 HCI의 다양한 응용분야(e.g., Social Computing, Human Computation, Machine Learning, Visualization, Mobile Interaction)에서 실제 문제 해결에 적용하는 방법론 및 기술을 숙지할 수 있는 기 회를 제공한다.
고급컴퓨터비젼 (Advanced Computer Vision)
- Humans perceive the three-dimensional structure of the world with apparent ease. The goal of a computer vision is to achieve the dream of having a computer interpret an image at the same level. In this course, we will explores the variety of techniques commonly used to analyze and interpret images. It also describes challenging real-world applications where vision is being successfully used, both for specialized applications such as medical imaging, and for fun, consumer-level task such as image editing and stitching, which students can apply to their own personal photos and videos. Moreover, we will study the deep learning based computer vision methods from common CNN-based object recognition to RNN-based sequential image processing. To handle this latest method, we will study the deep learning tools such as caffe, torch and tensor flow and from AlexNet to ResNet from the viewpoint of computer vision application.
고등데이터마이닝 (Advanced Data Mining)
- Data capture has become inexpensive and ubiquitous as a by-product of innovations such as the internet, e-commerce, electronic banking, point-of-sale devices, bar-code readers, intelligent machines, and the amount has been increasing at an incredible rate due to technological advances. “Data mining” refers to a collection of techniques for extracting “interesting” relationships and knowledge hidden in a mountain of data in order to assist managers or analysts to make intelligent use of them. A number of successful applications have been reported in areas such as credit rating, fraud detection, database marketing, customer relationship management, and stock market investments. In this course, we will examine a variety of data mining techniques evolved from the disciplines of statistics and artificial intelligence (or machine learning), and practice them in recognizing patterns and making predictions from an applications perspective. Application (or case) surveys and hands-on experimentations with easy-to-use software will be provided.
고급영상신호처리 (Advanced Image Signal Processing)
- 이 교과목에서는 다양한 영상신호처리기법을 소개한다. 선형처리(화질개선 및 영상재생), 비선형처리(분수계 변환, 형태론), 컬러영상처리(컬러 기울기에 의한 에지검출), 다차원영상처리 등을 다룬다. 기존의 주요 영상처리기법(영상분할, 다차원 영상 분류, 동영상물체추적)을 다루지만 이론보다 실험 실습적 컴퓨터 계산에 중점을 둔다.
고급소프트웨어공학 (AdvancedSoftwareEngineering)
- 본 강좌는 소프트웨어 공학에 대한 고급 수준의 강좌로 서 기존의 소프트웨어 공학의 개념, 방법론, 기법 등을 분 석 평가하고 그것의 한계성 내지는 제약성을 극복하기 위 해서 새롭게 대두되고 있는 객체지향적 소프트웨어 공학 (O.O.S.E.),시스템 공학, 컴포넌트 기반 소프트웨어공학 (Component Based S.E.) 및 아키텍쳐 기반 소프트웨어 공학 (Architecture Based S.E.)등에 관해서 그것들의 새 로운 개념 그리고 방법론 기법 등에 대해서 포괄적으로 고 찰하고 현실 적용환경을 분석 평가해 봄으로서 향후 이분야 가 어떻게 발전해 갈 것인가에 대한 감각을 가지도록 하는 데 목적을 둔다.
고급데이터베이스 (AdvancedDatabase)
- 본 교과에서는 학생들이 데이터베이스 분야의 최신 연구 이 슈를 학생들이 이해할 수 있도록 한다. 즉, 객체 지향 데이 터베이스, 객체 관계형 데이터베이스, XML 데이터베이스, 멀티미디어 데이터베이스, 차세대 플래시 메모리 기반 데이 터베이스 등을 다룬다.
고급운영체제 (Advanced Operating System)
- 이 강의에서는 Liux 운영체제의 구조 및 구현을 연구한다. 특히 로더, 쉘 프로그래밍 등을 학습하고, 주요 Linux source code를 중심으로 Linux의 주요 자료구조, 모듈 관리, VFS, 장치드라이버, 네트워크 관련 모듈, 장치 드라이버나 주요 시스템 호출의 구현 기법을 살펴본다.
고급컴퓨터구조 (Advanced Computer Architecture)
- 최근 고성능 프로세서 설계에서는 성능을 높이기 위해, Instruction Level Parallelism (ILP) 기법, Thread Level Parallelism (TLP) 기법, 멀티 코어 기법, 병렬 컴퓨터 등을 이용, 성능을 높이고 있다. 이는 주로 기존 컴퓨터에서 사용하던 기술이었으나, 최근에는 스마트폰, 스마트 패드 등에서 적극적으로 채택하고 있다. 이러한 기술적 변화, 시장적 변화는 미래의 마이크로프로세서 디자인의 새로운 영역을 개척할 것이다. 이 교과목에서는 고급 컴퓨터 구조라는 주제로, 적응적 동적 branch prediction, 고대역폭 instruction fetch, 동적 instruction scheduling, Tomasulo 알고리즘, superscalar, speculation, multi threading, symmetric multiprocessors, shared memory multiprocessors, cache and memory hierarchy 설계 등을 주로 학습한다.
분산병렬프로그래밍 (DistributedandParallelProgramming)
- 분산병렬프로그래밍은 여러 연산(task or job)을 동시 에 수행하여 대규모 컴퓨팅 문제를 해결하는 것으로 고성 능 컴퓨팅 파워(High Performance Computing/ High Throughput Computing)를 제공하기 위해 사용되어 왔 다. 최근에 문제의 크기가 기하급수적으로 커지며 (빅 데이터), multicore 및 manycore (GPGPU)의 등장 및 MapReduce 프로그래밍 모델의 확산에 따라 병렬프로그래 밍의 필요성이 다시 대두되고 있어 본 과목을 통해서 분산병렬프로그래밍의 이론 및 응용사례를 통해 학습한다. 본 과목에서는 병렬프로그래밍의 기반이 되는 플랫폼, 모델 과 함께 전통적인 고성능 컴퓨터/클러스터 기반의 Parallel Programming Tool인 MPI, 최근 클라우드 컴퓨팅 및 빅데 이터와 관련하여 주목을 받고 있는 MapReduce (Hadoop) 및 CUDA (PyCUDA) 등의 GPGPU를 활용한 병렬처리에 대해 학습한다.
컴퓨터비젼 (Theory and Applications of Reinforcement Learning)
- 본 과목에서는 컴퓨터 비젼의 일반적인 알고리즘들에 대해서 공부한다. 컴퓨터 비젼이란 정지영상이나 동영상으로부터 3차원 환경을 분석하고 모델링하는 것을 목표로 한다. 이 과정에서는 먼저 영상의 기본적인 filtering, sampling 등의 개념을 배우고 edge detection, projection, image matching, motion estimation, image segmentation 등 컴퓨터 비젼 각 분야의 대표적인 알고리즘들과 이들의 수학적 모델들에 대해 다룬다. 학기말에는 각자 컴퓨터 비젼 최신 논문에서 제안하는 알고리즘을 구현하고 개선하는 프로젝트를 수행하면서 컴퓨터 비젼의 노하우를 깨치게 된다.
AI 심화
강화학습이론및응용 (Theory and Applications of Reinforcement Learning)
- 강화학습의 기초적 내용인 Multi-Armed Bandit, Markov Decision Process로부터 Monte-Carlo Method, Q-learning, Value Function Approximation, Policy Gradient, Deep Q-learning Network 등 이론적 내용을 다룬다. 그리고 다양한 분야의 응용 사례들을 살펴보고 학 생들의 연구에 적용할 수 있도록 프로젝트를 수행한다.
고급정보보호 (Advanced Information Security)
- 본 과목은 정보 보호에 대한 고급 이론을 이해하는 것을 목 표로 한다. 먼저 정보보호의 의미, 중요성, 그리고 목표를 이해하고, 이후 정보보호에 관련된 암호학, 보안 모델 및 정책, 운영체제 보안, 프로그램 보안, 악성 코드, 보안 평가 와 관리 등의 고급 이론들을 연구한다.
기계학습 심화이론 (AdvancedMachineLearningTheory)
- Machine learning is all about finding generalized patterns from data. The whole idea is to replace the “human writing code” with a “human supplying data” and then let the system figure out what it is that the person wants to do by looking at the examples. In recent years, many successful applications of machine learning have been developed, ranging from data-mining programs that learn to detect fraudulent credit card transactions, to autonomous vehicles that learn to drive on public highways. At the same time, there have been important advances in the theory and algorithms that form the foundation of this field. The goal of this class is to provide an overview of the state-of-art algorithms used in machine learning and different perspectives, and hopefully to gain some understanding of what’s going on the next. We will discuss both the theoretical properties of these algorithms and their practical applications.
기술인텔리전스 (Technologyintelligence)
- 기술 인텔리전스는 다양한 원천으로부터 기술정보를 수집, 통합, 분석, 시각화하여 조직의 기회와 위협을 파악하여 의사결정자에게 제공하는 프로세스를 의미한다. 본 과정에서는 가장 대표적인 기술정보의 원천인 특허, 상표권에 대해 이론적 강의를 진행하고, 이를 단독으로 혹은 기업 프로파일, 웹 데이터 등과 타 정보원천과 통합하여 분석함으로써 기술과 경쟁사의 동향을 파악하고 궁극적으로 조직의 의사 결정을 지원하는 방법을 학습한다. 특히 변리사 등의 외부 강사진 등을 초빙하여 기술정보분석의 실무와 이론에 능한 연구자를 양성하고자 한다.
기술예측 (Technologyforecasting)
- 급속도로 변화하는 과학기술 환경 속에서 기업들은 현존하는 기술의 발전을 모니터링 함과 동시에 새롭게 부상하는 유망기술을 찾아야만 경쟁력을 가질 수 있다. 국가 수준에서 또한 미래의 사회와 기술의 변화방향을 예측하고 미래를 선도할 유망연구 및 기술을 찾기 위한 노력을 지속하고 있다. 본 과목에서는 미래의 기술을 예측하는 다양한 방법론을 검토하고 각 방법론의 장단점과 적용실례를 연구한다.
소셜미디어분석 (Social Media Analysis)
-
- API 활용 및 웹 크롤링을 통한 소셜미디어 데이터 수집 및 저장
- 데이터의 전처리, 압축 및 correlation, regression, and classification을 위한 다양한 기법을 활용하여 분석 ㆍ언어학적 특징 분석 및 감성 분석 ㆍ 연구 목적을 위한 다양한 툴을 활용한 소셜미디어 데이터 분석 및 시각화
자연어처리 (Natural Language Processing)
- 본 과목에서는 자연어로 표현되어 있는 다양한 정보들을 전 처리 하여 데이터 화 하고, 이를 다양한 분석 방법을 적용하 여 의미 있는 정보를 추출하기 위한 일련의 과정을 학습한다. 특히 최근 관련 분야의 연구 동향을 살펴보고 활용할 수 있는 능력을 함양한다.
전산생물학 (Computational Biology)
- BT와 IT 산업의 융합에 해당하는 전산생물학의 기초 지식 및 그 응용과 전망에 대해 배운다. 분자생물학의 간략한 개 요 및 R programming을 소개하고, sequence analysis, disease association analysis, gene expression analysis, systems biology 등 의생명과학 관련 알고리 즘에 대해 공부한다. Clustering, classification, timeseries data analysis, network mining 등을 위한 여러 데 이터 분석 기법을 다룬다.
정보검색 (Information Retrieval)
- 정보 검색의 모델, 블리언 모델, 벡터공간 모델, 인지과학적 모델을 기반으로 하는 검색 모형 등을 배운다. 또한 인터 넷 검색을 중심으로 필요한 기술, 인덱스 추출, 필터링, 클 러스터링, 개념 기반 검색 등에 관련된 기술을 논문을 중심 으로 배운다. 응용을 위하여 인터넷상에서 검색할 수 있는 시스템을 간단히 만들고 기술을 프로젝트별로 구현하는 과 제를 수행한다.
클라우드컴퓨팅 (Cloud Computing)
- 현재 IT 환경에서 가장 중요한 패러다임은 클라우드 컴퓨 팅이며, 많은 연구자들이 클라우드 컴퓨팅을 통해 더 효율 적이고 성능이 높은 자원 제공이 가능하며 나아가서 새로운 형태의 서비스 및 애플리케이션(응용체계)의 제공이 가능하 다고 예상하고 있다. 이 On-demand 기반의 컴퓨팅 패러 다임에서는 여러 컴퓨팅 기술들을 필요로 하고 있으며, 본 과목에서는 이와 같은 기술들과 이 클라우드 컴퓨팅 패러다 임을 응용한 응용체계들에 대해 공부한다. 세부 주제로는 클 라우드컴퓨팅의 개요와 시스템 모델, 가상화 기술, 클라우드 플랫폼, 클라우드 프로그래밍 환경, SOA 등을 다룬다.
패턴인식론 (Pattern Recognition Theory)
- 본 과목에서는 패턴인식 방법들에 대해 공부한다. 먼저 비지도학습과 지도학습 등의 개념과 이들의 차이점에 대해서 공부하고, 지도학습 중에서도 분류 문제와 리그레션 문제가 어떻게 다른지에 대해서 공부한다. 각 방법들의 대표적인 알고리즘들과 이들의 수학적 모델링에 대해서 다룬다. 학기말에는 얼굴인식 시스템의 구현 등 기말 프로젝트를 수행하면서 패턴인식의 노하우를 깨치게 된다.
AI 융합
기계학습특론1 (Advanced Topics in Machine Learning 1)
- 기계 학습과 관련된 최신의 이론 및 응용, 추세에 대하여 다 룬다. 특히 최근 관련 연구 동향을 소개하고, 토론함으로써 학생들의 논리적 사고력과 토론 능력을 함양한다.
기계학습특론2 (Advanced Topics in Machine Learning 2)
- 기계 학습과 관련된 최신의 이론 및 응용, 추세에 대하여 다 룬다. 특히 최근 관련 연구 동향을 소개하고, 토론함으로써 학생들의 논리적 사고력과 토론 능력을 함양한다.
개방형 인공지능특강1 (Open AI Special Lecture 1)
- 본 과목에서는 기존의 기계학습과 심화학습을 통해 얻은 이 론적인 지식을 빅데이터와 실제 네트워크문제에 적용하는 방법론들을 배우고 새로운 분야에서의 활용 등에 대한 창의 적 연구를 도모한다.
개방형 인공지능특강2 (Open AI Special Lecture 2)
- 본 과목에서는 기존의 기계학습과 심화학습을 통해 얻은 이 론적인 지식을 빅데이터와 실제 네트워크문제에 적용하는 방법론들을 배우고 새로운 분야에서의 활용 등에 대한 창의 적 연구를 도모한다.
산업수학 특론 1 (Industrial Mathematics Survey 1)
- 수학이 요구되는 구체적인 산업 문제와 그 해결을 위해 적용가능한 수학적 도구들을 조사하고, 팀 프로젝트 수행 시 필요한 보고서 작성과 구두 발표를 연습한다.
현장실습1/2/3 (internship 1/2/3)
- ICT 관련 산업체 혹은 연구소에서 실제 연구개발 업무에 인턴으로 참여함으로써 현장 실무 능력을 배양한다.