최근 확인한 콘텐츠
loading...
ROS로 배우는 로봇 프로그래밍
ROS 로봇 프로그래밍 : 기초 개념부터 프로그래밍 학습, 실제 로봇에 적용까지
마음의 아이들 : 로봇과 인공지능의 미래
Reinforcement Learning Algorithms: Analysis and Applications
Learning automata : theory and applications
Learning deep learning : theory and practice of neural networks, computer vision, nlp, and transformers using tensorflow
Algorithmic Foundations of Robotics XI : Selected Contributions of the Eleventh International Workshop on the Algorithmic Foundations of Robotics
Learning TensorFlow : a guide to building deep learning systems
Recent advances in robot learning
Machine learning and robot perception
Language and learning for robots
はじめての深層学習プログラミング : : Python, Chainer, TensorFlow, Deel
기계 학습을 다시 묻다
ROS 로보틱스 프로그래밍 : 4차 산업혁명 시대의 핵심 기술, 로봇 프로그래밍
Social agency : dilemmas and education praxiology
엔트리로 시작하는 로봇 활용 SW 교육 : 햄스터 : 엔트리와 햄스터로 시작하는 나의 첫 프로그래밍
(New) C 프로그래밍 언어 : 문제해결에서 프로그래밍까지 =
Graph Representation Learning
Neuromorphic and brain-based robots
정보교육학회논문지
유인환컴퓨터교육학회 논문지
신승용정보교육학회논문지
정인기The Journal of the Learning Sciences
Blikstein, Paulo; Worsley, Marcelo; Piech, Chris; Sahami, Mehran; Cooper, Steven; Koller, Daphne정보교육학회논문지
남재원, 유인환컴퓨터교육학회 논문지
정인기정보교육학회논문지
유인환, 채재호Educational Technology Research and Development
Fegely A.,Tang H.컴퓨터교육학회 논문지
유인환정보교육학회논문지
문외식컴퓨터교육학회 논문지
김성원, 이영준한국산학기술학회논문지
문채영, 류광기컴퓨터교육학회 논문지
송정범, 백성혜, 이태욱컴퓨터교육학회 논문지
정웅열, 이은경, 이영준디지털융복합연구
심재권, 이원규, 김자미International Journal of Technology and Design Education
Strawhacker, Amanda; Bers, Marina U.The International Journal of Advanced Smart Convergence
정성은, 한정혜정보교육학회논문지
정인기인터넷정보학회논문지
신승용, 유상미, 김미량디지털융복합연구
심재권; 이원규; 김자미일선 / 학사
실습 위주 수업으로 휴머노이드 로봇에 인공지능을 프로그래밍하고 제어한다. 해당 수업은 세 부분으로 구성되어 있다. 첫 주에는 로봇을 조립하고, 프로그래밍 환경을 구축하며 로봇의 카메라 센서의 영상에 인공지능(AI)를 적용하여 정보를 추출하는 방법들을 살펴본다. 2~4주차에는 랩 시간에 팀별로 로봇의 기능을 기획하고 프로그래밍한다. 프로그래밍할 로봇의 기능은 제공되는 리스트에서 선택이 가능하지만, 자유롭게 기획해도 된다. 마지막 주에는 각 팀별로 기획하고 프로그래밍한 로봇을 발표하고 데모를 시연한다. 해당 수업은 입문 수업으로 로봇 또는 프로그래밍 배경지식이 필요 없지만 Python 프로그래밍 배경지식이 있으면 도움이 된다. 랩 시간에는 강사와 조교가 프로그래밍 문제 해결에 도움을 제공한다. 수업에는 필요한 최소 인텔 i5 프로세서와 8GB RAM이 장착된 노트북이 없는 수강생들에게 노트북을 제공한다. 팀은 2~3명으로 구성되며 국제학생과 서울대학교 학생으로 구성된다. 랩에는 반드시 참석해야 하는 것은 아니지만 강사와 조교가 프로그래밍 문제를 해결에 도움을 제공하기에 권장한다. 수업에 사용되는 로봇 조립 키트는 제공된다.전선 / 대학원
로봇학습은 로봇공학과 인공지능(AI) 기술을 결합하여 로봇이 인간처럼 경험을 통해 새로운 기술과 지식을 습득하는 방법을 연구하는 학문이다. 로봇학습을 이용해 로봇은 데이터와 주변 환경과의 상호작용을 통해 새로운 환경, 작업 및 상황에 적응하며 배울 수 있다. 로봇학습에는 로봇이 모든 시나리오에 대해 명시적 프로그래밍 없이 자율적으로 작업을 수행할 수 있는 능력을 갖출 수 있도록 다양한 기술과 접근방법을 포함하고 있다. 로봇학습의 목표는 로봇이 실제 세계의 다양성과 불확실성을 다루며 변화하는 조건에 적응하고 작업을 자율적으로 수행할 수 있는 로봇을 만드는 것이다. 이 강좌에서는 모방 학습과 심층 강화학습을 포함한 로봇학습의 최근 발전을 리뷰한다. 먼저 Markov decision processes (MDP)와 전통적인 강화학습 기법을 리뷰한다. 그리고 behavior cloning, inverse reinforcement learning, policy gradient, deep Q-network (DQN), 생성적 적대 신경망(GAN) 및 생성적 적대 모방 학습과 같은 주제를 포함한 모방 학습, 딥러닝 및 심층 강화 학습의 최근 개발 동향을 리뷰한다.전선 / 학사
최근 급속한 기술 발달로 자율주행자동차, 드론, 휴머노이드, 무인생산로봇과 같은 스스로 인지 판단하여 움직이는 자율로봇들이 일상생활에 보급 등장하기 시작했다. 이들 로봇의 등장으로 사고가 나지 않거나 운전면허가 필요 없는 자동차나 사람이 진입이 어려운 핵발전소나 지진 재난현장에 구조 및 극한 작업을 하는 등 기존에 상상할 수 없었던 분야로 빠르게 응용되고 있다. 더욱이 빅데이터, 기계학습, 인공지능 기술과 결합하며 갈수록 인간스러운 로봇으로 발전하기 시작했고 실제로 여러 분야의 인간 노동력을 대체하기 시작했다. 이 수업에서는 수강생들은 자율로봇의 원리와 최신 기술 동향을 소개받고 실제 로봇 설계 및 프로그래밍을 통해 로봇의 지능을 구현해보고 응용함으로써 배우게 된다. 공대뿐만 아니라 다양한 전공의 학생들의 수강을 환영하며 수강생들은 다학제로 팀을 이루어 수업을 통해 배운 기술을 사용하여 새롭고 유용한 로봇을 만들게 된다. 모든 자료는 영어로 만들어 지며 한국어와 영어를 번갈아 가며 강의하고 실습을 강조하므로 교환학생 및 국제 학생의 수강신청도 권장한다.전필 / 학사
본 과목에서는 기계시스템 설계의 기본 개념과 방법에 대해 익히고 기계시스템의 구동을 위해 필수적인 로봇 프로그래밍의 기초를 배운다. 구체적으로, 설계 도면에 대한 이해와 설계안을 구체화하는 도면 작성법, 컴퓨터 이용 설계(Computer-Aided-Design, CAD) 프로그램을 이용한 설계 방법을 배운다. 이후 기계시스템을 지능적으로 구동하기 위한 프로그래밍을 학습한다. Matlab, python, C/C++ 등 다양한 프로그래밍 언어와 이를 통한 로봇 하드웨어 구동을 위한 미들웨어를 학습한다. 학기 말에 최종적으로 소프트웨어, 미들웨어, 하드웨어를 통합한 시스템을 설계한다. 본 과목에서 학습한 설계 및 프로그래밍은 향후 다양한 기계공학 전공과목의 효과적인 학습에 도움이 된다.전필 / 대학원
인공지능(AI) 기반 교육을 현장에서 적용하기 위해선, AI융합전공 수강생들은 인공지능(AI)을 교과 수업 상황에 융합하여, 수업을 설계하고 실행할 수 있는 역량이 요구된다. 이 강의는 AI융합전공 수강생들이 인공지능(AI) 자체에 대한 수업과, 인공지능(AI) 학습도구를 활용한 인공지능(AI)-교과 융합수업을 설계하고, 실행할 수 있는 역량을 갖추는 것을 목적으로 한다. 이를 위해 AI융합전공 수강생들은 먼저, 인공지능(AI) 자체에 대한 수업 설계 역량을 기른다. 그리고 실제적이고 집중적인 교육을 통해, 이 교과목은 수강생들의 인공지능 교과 융합 수업을 설계하고 실행하는 역량 증진시킬 것이다.전선 / 학사
로봇 공학의 기초이론이 개괄적으로 강의된다. 로봇의 좌표 변환, 기구학과 역기구학, 동역학, 궤적 계획이 강의 된다. 또한 센싱과 각종 제어 기법이 강의 된다. 특히 선형, 비선형제어와 힘제어를 다루며, 프로그래밍 기법에 대하여 강의된다. 아울러 지능로봇의 최신 연구동향이 Video를 이용하여 소개된다.전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.교양 / 학사
컴퓨터를 처음 접하는 학생들을 대상으로 컴퓨터에 대한 일반적인 기초개념 등을 설명하고, 프로그램이 수행되는 과정과 프로그램 작성을 위한 논리적인 사고에 대하여 강의한다. 이와 같은 기초 지식을 바탕으로 Python 언어를 사용하는 방법을 습득한다. 일부 공과대학 학부/학과에서는 포트란, C 언어, 또는 Matlab을 사용하는 법을 익힌다. 매주 2시간의 실습을 통하여 프로그래밍 기법을 배양하도록 한다.교직 / 학사
디지털 대전환 시대 예비교사는 데이터와 AI 기술을 수업에 적절히 활용할 수 있는 인공지능융합역량이 요구된다. 본 강의는 코딩 및 데이터 사이언스의 기초 개념을 이해하고 간단한 수준의 코딩을 활용하여 데이터ㆍ AI 기반의 융합수업을 설계하는 실습 중심의 수업이다. 본 강의는 <교과-소프트웨어 융합역량 교육론 I>과목의 선수 강좌로 코딩에 대한 기초 지식이 없거나, 인공지능융합교육에 처음 입문하는 학생들을 위한 강좌이다.교직 / 학사
학교 현장에서의 교수·학습 이론과 실제를 다룬다. 특히, 교수체제설계, 교수설계이론, 교육기자재 및 매체의 교육적 활용, 교육용 소프트웨어를 비롯한 정보통신기술의 교육적 활용 등 실질적인 지식과 기술에 대한 안내와 획득에 초점을 맞춘다. 이를 통하여 다양한 교수·학습 방법을 적용한 교실 수업의 실제 등 교육현장과 밀접한 관련이 있는 교육방법을 이해할 수 있다.전선 / 대학원
현실에서 발생하는 최적화 문제는 많은 경우, 효율적인 알고리즘을 갖지 않는 NP-hard 문제이다. 본 강의에서는 우선 이러한 문제를 식별하는데, 기본이 되는 최적화 계산론, 다항 변환 등을 도입한다. 그리고 NP-hard 문제의 좋은 해를 효율적으로 구하는 다양한 접근법을 다룬다.전선 / 학사
다양한 교육 사례를 분석하여 디지털 전환 시대 빅데이터의 교육적 활용 가능성과 도전적 과제를 탐색한다. 학습자중심교육에 대한 이론과 모형을 학습하고 빅데이터와 인공지능을 활용하여 맞춤형 학습환경을 설계할 수 있는 역량을 기른다. 교육 문제를 창의적으로 해결하기 위해 빅데이터와 디지털 테크놀로지를 활용하는 방안을 탐구한다.전선 / 대학원
이 강좌는 인공지능에 대한 이해를 바탕으로 교육적 활용방안을 탐색하고 다양한 연령의 학습자를 대상으로 인공지능에 대한 교육을 효과적으로 실시하는 방안을 다룬다. 인공지능 기반 교육에 대한 최신 이론과 교육적 이슈를 체계적으로 검토하고 교육 분야에서 인간과 인공지능이 협업할 수 있는 방안을 논의한다.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 대학원
교수설계의 다양한 이론과 모형을 학습한 후, 교수 설계의 원칙 및 체제적 접근에 기초한 교수-학습 프로그램을 개발해 보고 현장에 적용해 본다. 교수 설계 영역의 기초 이론과 모형에 대한 이해와 실제 적용 능력을 획득 하는데 초점을 맞춘다. 기초 학습 이론 및 교수 설계에 대한 시사점을 탐색하며, 교육공학적인 교수설계 이론과 모형의 특성을 이해한다. 체제적 관점에 기반을 두고 학교, 기업 등에 적용될 수 있는 교육 프로그램을 개발 할 수 있다.전선 / 학사
본 과목은 자연과학대학 학부생을 대상으로 하여, 세부 학부/학과에 관계없이 자연과학대학 학부생이 함양해야 하는 프로그래밍 및 인공지능 지식을 갖추도록 돕는 것을 목표로 합니다. 특히 프로그래밍 및 인공지능과 관련된 방대한 내용 중 자연과학을 전공하는 데 실질적으로 필요한 전산학, 계산과학, 통계학, 심층신경망 분야의 기초지식을 습득하고, 그에 대한 실습을 직접 해보도록 하는 데 초점을 맞춥니다. 이는 자연과학대학의 기존 인공지능/계산과학/데이터과학 전공과목의 수강에 앞서, 학부생들이 프로그래밍 능력과 함께 이를 자연과학의 문제에 직접 적용할 수 있는 능력을 갖추도록 하기 위함입니다. 본 과목에서는 이론과 실습을 병행하여, 향후 자연과학 연구에서 맞닥뜨릴 수 있는 실제 문제와 데이터를 인공지능을 이용하여 다루고 해결해 볼 수 있는 기회를 학부생들에게 제공하고자 합니다. 기초 수준의 컴퓨팅/프로그래밍 능력을 갖춘 학생은 본 과목을 이수한 후, 자연과학의 세부 분야에서 인공지능과 프로그래밍이 어떻게 활용되는지 이해하고, 향후 연구에 직접 활용할 수 있는 능력을 함양하게 될 것입니다.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 첫번째 강좌이다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template과 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 또, (3) Pytorch, TensorFLow 등 널리 사용되는 딥러닝 플랫폼을 학습하고, 동일 학기 수강이 권장되는 머신러닝 및 딥러닝 1(ABC 과정 중 A 분야 첫번째 강좌)에서 배운 딥러닝의 기본 원리들을 직접 구현하고, 이에 더하여 상기 플랫폼을 통해 구현 할 수 있도록 한다.전선 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.전선 / 대학원
기계학습은 다양한 분야에서 점차 큰 관심을 받고 있으나, 막상 실제 데이터에 적용하여 성공적인 결과를 도출하는 데에는 많은 어려움이 따른다. 본 과목은 기계학습 기법들을 실제 문제에 적용할 때에 중요한 데이터 전처리, 피쳐 추출, 차원 축소, 클래스 불균형, 모델 앙상블 등의 주제들을 다루고, 데이터로부터 모형과 종속성을 학습하는 원리와 기법들을 소개하는 바, 특히 확률, 통계 및 최적화 이론에 기반하여 신경망 (Neural Networks), 서포트 벡터 머신 (Support Vector Machines), 은닉 마르코프 모형 (Hidden Markov Models) 및 강화 학습 (Reinforcement Learning) 기법들을 공부한다. 또한, 이들 기법을 활용하여, 다양한 시계열 데이터들을 대상으로 예측 및 분류 모델을 구현하는 프로젝트들과 데이터 기반 학습의 사례 연구들이 포함된다.