최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 기존 2D-LDA의 한계점인 이분산 문제를 해결하기 위해 클래스 간 거리의 역수를 가중치로 적용하는 WPS-LDA 아이디어를 제안합니다. 제안하는 방법은 기존 2D-LDA보다 판별력을 2% 향상시키며, 특히 클래스 간 거리가 가깝고 투영 축의 차원이 낮은 경우에 효과적입니다.
Image segmentation and compression using hidden Markov models
Second-order methods for neural networks : fast and reliable training methods for multi-layer perceptrons
Qualitative analysis using ATLAS.ti : the five-level QDA® method
Advances in intelligent data analysis : third international symposium, IDA-99, Amsterdam, The Netherlands, August 1999 : proceedings
패턴인식 개론 : MATLAB 실습을 통한 입체적 학습
한국어 임베딩 : 자연어 처리 모델의 성능을 높이는 핵심 비결 Word2Vec에서 ELMo, BERT까지
Computer graphics for Java programmers
Classification pattern recognition and reduction of dimensionality
Automata, languages, and programming : 17th international colloquium, Warwick University, England, July 16-20, 1990 : proceedings
An introduction to the Langlands program
Theory and applications of higher-dimensional Hadamard matrices
Algorithms--ESA '97 : 5th annual European symposium, Graz, Austria, September 15-17, 1997 : proceedings
Automatic calibration and reconstruction for active vision systems
LLM을 활용한 실전 AI 애플리케이션 개발 : LLM의 기본부터 모델 학습, 임베딩, 벡터 데이터베이스로 만드는 RAG까지
Semantic labeling of places with mobile robots
Person re-identification
Strong coulomb correlations in electronic structure calculations : beyond the local density approximation
Geometric structure of high-dimensional data and dimensionality reduction
Analogical and inductive inference : International Workshop AII '92, Dagstuhl Castle, Germany, October 5-9, 1992 : proceedings
멀티미디어학회논문지
이석진; 오치민; 이칠우Signal, Image and Video Processing
Wei, Z.; Chu, Y.; Zhao, L.Applied Intelligence
Yan-Ru Guo; Yan-Qin Bai; Chun-Na Li; Lan Bai; Yuan-Hai ShaoMultimedia Tools and Applications
Zhang, Q.; Chu, T.IEEE Transactions on Knowledge and Data Engineering, Knowledge and Data Engineering, IEEE Transactions on, IEEE Trans. Knowl. Data Eng.
Li, Z.; Nie, F.; Chang, X.; Yang, Y.The International Journal of Advanced Smart Convergence
김승재Pattern Recognition
Li S.,Zhang H.,Ma R.,Zhou J.,Wen J.,Zhang B.전기학회논문지
진용탁; 오성권Spatial Statistics
Suesse T.,Brenning A.,Grupp V.Mathematical Problems in Engineering
Luo, H.; Tang, Y.Y.; Yang, L.전기학회논문지
진용탁, 오성권Neural Processing Letters
Zhang, Lei; Liang, ZhizhengIEEE Transactions on Cybernetics
Jenni Raitoharju; Alexandros Iosifidis; Lei Xu; Moncef GabboujIEEE Transactions on Cognitive and Developmental Systems
Chang Liu; Jing Jin; Andrzej Cichocki; Zhiqiang Wang; Ren Xu; Xingyu WangIEEE Transactions on Cybernetics
Xu L.,Raitoharju J.,Iosifidis A.,Gabbouj M.IEEE Transactions on Circuits and Systems for Video Technology, Circuits and Systems for Video Technology, IEEE Transactions on, IEEE Trans. Circuits Syst. Video Technol.
Hu, H.정보과학회논문지 : 소프트웨어 및 응용
김현철, 김대진, 이미애, 박기수, 방승양IMAGE ANALYSIS AND RECOGNITION, PROCEEDINGS
Kwak, Nojun; Choi, Sang-Il; Choi, Chong-Ho멀티미디어학회논문지
박정희IEEE Transactions on Cognitive and Developmental Systems
Wang Z.,Jin J.,Xu R.,Liu C.,Wang X.,Cichocki A.전선 / 대학원
이 과목은 보건의료 영역에서 컴퓨터를 활용한 텍스트 분석을 다룬다. 보건의료 영역에는 여러 종류의 언어 자료가 존재한다. 사람들이 온라인 공간에서 여러 질병에 대해 던지는 질문들, 보건의료 전문가들의 연구들, 질병과 건강에 대한 신문기사들이 그 예다. 이들로부터 정보를 체계적이고 과학적으로 추출할 수 있다면, 보건의료에서 다양한 방식으로 활용할 수 있다. 최근 많이 사용되고 있는 컴퓨터를 활용한 텍스트 분석은 이런 작업에 새로운 가능성을 제시한다. 본 과목에서는 여러 가지 컴퓨터를 활용한 텍스트 분석 방법을 학습하고, 보건의료 영역 자료에 적용하는 것을 실습한다.전선 / 학사
“공간정보분석1: 통계모형”의 심화과정으로 해석모형과 달리 예측모형에 초점을 둔다. 공간 패턴의 학습과 예측에 접목할 수 있는 머신러닝과 인공지능의 주요 이론과 알고리즘을 소개하며 R/Python 코딩과 사례연구를 통해 실천적 공간데이터 사이언스의 기초를 제공한다. 이 강의는 머신러닝의 학습이론, 감독학습, 무감독학습, 신경망, 앙상블 학습을 주 내용으로 하며 공간 헤도닉 모형, 공간 클러스터와 아웃라이어 패턴, 가우시언 프로세스와 공간 크리깅 내삽, 공간의사결정 등 지리학적 활용을 연습한다.전선 / 대학원
천연물로부터 분리한 2차대사산물을 이용하려면 우선적으로 이들의 화학구조 결정이 요구되고 있다. 현재는 주로 분광학적 방법에 의한 구조결정을 시도하고 있다. 따라서 분광학적 데이터를 이용하여 구조결정법을 학생들에게 이해시키고 실제로 응용할 수 있도록 천연물로부터 얻은 많은 화합물들의 spectrum을 제시하여 이들의 해석법을 숙달시키고 나아가서 응용력을 함양 시키고자 한다.전선 / 대학원
이 교과목에서는 비선형시스템 식별에 관련된 각종 실용적 기법들을 소개한다. 또한, 비선형 목적함수의 최적문제의 해를 구하는 각종 비선형프로그래밍기법도 소개한다. 단, 비선형궤환제어와 컴퓨터 네트워크 등에 효과적으로 사용될 수 있는 기법들에 국한하여 심도 있게 공부하고 실제 응용 예를 통하여 그 가능성을 토의한다.전선 / 대학원
본 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
본 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
본 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
컴퓨터그래픽스 전반에 걸쳐 기본적인 개념들을 설명한다. 컴퓨터 그래픽스의 기본적인 렌더링 파이프라인, 물체들을 표현하는 여러 가지 방법, 빛을 나타내는 방법, 레이트레이싱, 볼륨렌더링 등의 특수한 렌더링 방법, 그림자나 질감을 나타내는 방법에 대해서 개론 형식으로 강의한다.전선 / 학사
편미분방정식의 가장 기초적 이론들을 고전적 방정식들의 예를 들어 소개한다. 구체적으로 다룰 내용들은 일계준선형 편미분방정식이론, 국소해의 존재성과 유일성, Cauchy-Kovalevsky 정리, Laplace 방정식, 최대치원리, Harnack 부등식, Hilbert 공간의 방법론, 변분원리 등이다.전선 / 대학원
본 과목은 유한 차원 및 무한 차원 벡터 공간에서의 최적화를 통합적으로 다루며, 최적화와 머신러닝 사이의 상호작용에 중점을 둔다. 최적화 알고리즘은 머신러닝의 핵심 역할을 하며 (예: 주어진 데이터셋으로부터 모델을 학습시킬 때) 동시에 고차원 최적화 문제를 풀기 위해 머신러닝 모델이 최근 많이 활용되고 있다 (예: 물리 시스템의 지배 방정식을 무한 차원 최적화 문제의 해로 재구성한 다음, 머신러닝 알고리즘을 사용하여 이에 수반되는 고차원 최적화 문제를 해결하려는 시도). 본 과목에서는 머신러닝 분야에서 필요로 하는 최적화 이론 및 알고리즘과 동시에, 복잡한 최적화 문제를 풀 수 있는 머신러닝 기법들에 대해 심도있게 다룬다.전선 / 대학원
특수교육의 영역 중, 학습장애아에 관한 제반 이론을 검토한다. 학습장애(Learning Disabilities)는 평범한 학습과정의 부적응아로서, 다양한 학문적인 시각(교육학, 심리학, 병리학 등)을 통해서 학습장애아에 대한 이해를 깊게 하는 것을 목적으로 한다.전선 / 학사
최적화 방법 및 이의 계산은 과학, 공학, 산업에서 매우 중요하게 사용되고 있다. 변수 최적화 또는 역문제들은 근본적인 불안정성으로 인하여 실제계산에서 목적과는 다른 해를 찾게 되는 경우가 비일비재하다. 이러한 문제를 극복하기 위하여 특별히 수학적인 엄밀한 이론을 습득해야할 필요가 있다. 이를 바탕으로 수렴성 및 안정성에 대한 엄밀한 수학적 분석을 기초로 한 수치계산법을 본 과목에서 강의하고자 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.전필 / 대학원
자료를 모형화하는 통계적 방법으로 선형모형의 중요성을 다루는 것이 이 과목의 목적이다. 이론적인 측면도 공부하지만 주로 모형선택, 추정, 모형검증과 같은 방법론을 강조한다. 다루는 모형은 단순회귀, 다중회귀, 일차분산분석, 이차 분산분석 등을 다룬다. 추론을 위해 최소제곱방법을 주로 사용하지만 이와 관련하여 우도에 기초한 방법도 다루게 된다. 선형모형을 통한 자료의 모형을 위해 R을 이용한다.전선 / 학사
컴퓨터를 활용하여 문제를 해결할 시 그 활용이 필수적인 기본적인 자료 구조에 대해 가르친다. 배열, linked list, stack, queue, priority queue, search tree, hash table, balanced search tree 등의 자료구조의 구성, 활용 방법 및 효율성을 강의한다. Python 기반의 숙제를 통해 수강생이 직접 각 자료구조를 구현/활용할 수 있는 능력을 배양한다.전선 / 대학원
기계학습의 기초, AI 시스템의 평가, 윤리적 /법적 측면과 함의를 교육분야의 적용 사례를 통해 살펴보고, 전통적 과학교수학습이론과 평가이론과의 접목을 논의하면서 인공지능 및 언택트 시대의 과학교수학습과 평가에 대한 조망 및 새로운 연구분야에 대한 이해를 높인다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의는 딥러닝의 중요 연구주제 중 비지도학습의 기본 방식으로 자리 잡은 self-supervised learning 및 contrastive learning을 중심으로 진행한다. 특히 information theoretic approach를 비롯한 metric 관점의 representation learning에 대해 고찰하고 domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하며 이를 통하여 표현학습에 대해 심화된 이해를 하는 것을 목표로 한다.전선 / 대학원
운동학습이란 무엇이며, 그것이 어떻게 구별되는가 하는 문제와 운동기술의 제어와 학습에 대한 이론적 짓기을 운동 기술을 가르치는데 응용하며, 운동기술을 보다 잘 이해하도록 한다. 운동학습의 이해를 위해 운동 수행을 관찰하고 측정한 연구 결과들을 비교 평가하는 능력을 배운다.전선 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 학사
빅데이터는 실세계에서 일어나는 복잡한 문제를 해결하기 위한 통찰력을 제공한다. 이 과목은 빅데이터를 소개하며, 데이터 가공, 분석 및 시각화를 위한 프로그래밍 언어 (Python), 데이터 분석을 위한 통계 및 머신러닝 방법 등을 가르친다. 실습 및 프로젝트를 통해서 학생들이 실제 데이터를 분석할 수 있는 능력을 배양한다. 데이터 중심의 컴퓨팅, 정량적 사고와 추론, 탐색적 데이터 분석에 대한 강조를 통해 이 과목에서는 데이터 과학의 핵심 원리와 기술을 다룰 것이다.