최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
오보영, 이경애, 최은옥
2019 / Food Science and Biotechnology
데이터가 존재하지 않습니다.
loading...
본 연구는 Deep Neural Network(DNN) 모델을 이용하여 광주-기아 챔피언스 필드의 일일 관중 수를 예측하고, 앙상블 모델이 가장 우수한 예측력을 보임을 확인했습니다. DNN 모델의 과적합을 막기 위해 Dropout과 Batch normalization을 적용했으며, 다중선형회귀 모델 대비 RMSE와 MAPE가 각각 15.17%, 14.34% 향상된 예측력을 나타냈습니다.
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
Advanced topics in artificial intelligence : 12th Australian Joint Conference on Artificial Intelligence, AI'99, Sydney, Australia, December 6-10, 1999 : proceedings
메이저리그 야구 통계학 : 2e : 빅데이터 분석과 머신러닝의 시작 R
Neural Information Processing : 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part V
KNIME[na:im]을 활용한 big data 분석 : click 하나로 끝내는 데이터 분석 KNIME
메이저리그 야구 통계학 : 빅데이터 분석의 시작 R
데이콘 경진대회 1등 솔루션 : 다양한 분야의 데이터를 분석하면서 발견하는 데이터 인사이트와 분석 노하우
The application of neural networks in the earth system sciences : neural networks emulations for complex multidimensional mappings
Artificial intelligence in economics and management : an edited proceedings on the Fourth International Workshop : AIEM4, Tel-Aviv, Israel, January 8-10, 1996
그림으로 배우는 딥러닝
밑바닥부터 시작하는 딥러닝.
확률론적 머신러닝 : 기본편
AWS 기반 AI 애플리케이션 개발 : AI 유니콘 기업으로 도약하기
Data Orchestration in Deep Learning Accelerators
Data orchestration in deep learning accelerators
Neural networks for conditional probability estimation : forecasting beyond point predictions
Intelligent Computing Theories and Application : 15th International Conference, ICIC 2019, Nanchang, China, August 3–6, 2019, Proceedings, Part II
Applications of Machine Learning
Estimating the knowledge-capital model of the multinational enterprise
Mixed models : theory and applications with R
Energy Reports
Faruque, Md. Omer; Rabby, Md. Afser Jani; Hossain, Md. Alamgir; Islam, Md. Rashidul; Rashid, Md Mamun Ur; Muyeen, S.M.한국자원공학회지
정다희, 최요순IEEE Transactions on Intelligent Transportation Systems
Liu Y.,Zhang Q.,Lv Z.International Journal of Management Science and Engineering Management
Pattnaik, M.; Kumar Padhi, S.; Panda, L.; Naushad, U.; Behera, R.K.; Mishra, A.; Pattnaik, A.교육시설
정승현, 권오빈, 손재호Journal of Manufacturing Systems
Zonta T.,da Costa C.A.,Zeiser F.A.,de Oliveira Ramos G.,Kunst R.,da Rosa Righi R.IEEE Transactions on Intelligent Transportation Systems
Yishu Liu; Qi Zhang; Zhihan LvProgress in Artificial Intelligence
Ji M.,Liu P.,Deng Z.,Wu Q.KSCE Journal of Civil Engineering
Ji-Myong Kim; Manik Das Adhikari; Sang-Guk YumKSCE Journal of Civil Engineering
Kim, Ji-Myong; Adhikari, Manik Das; Yum, Sang-Guk자동차안전학회지
이권희, 임재문Proceedings of the Institution of Mechanical Engineers, Part P: Journal of Sports Engineering and Technology
Tümer, Abdullah Erdal; Akyıldız, Zeki; Güler, Aytek Hikmet; Saka, Esat Kaan; Ievoli, Riccardo; Palazzo, Lucio; Clemente, Filipe ManuelSocial Indicators Research: An International and Interdisciplinary Journal for Quality-of-Life Measurement
Yadav, Gaurav Kumar; Rashwan, Hatem A.; Vidales, Benigno Moreno; Abdel-Nasser, Mohamed; Oliver, Joan; Nandi, G. C.; Puig, DomenecMethodsX
Adytia D; Tarwidi D; Saepudin D; Husrin S; Kasim ARM; Romlie MF; Samsudin DJournal of Iron and Steel Research International
Gao, Xue-yun; Fan, Wen-bo; Xing, Lei; Tan, Hui-jie; Yuan, Xiao-ming; Wang, Hai-yanJournal of Physics: Conference Series
Nakai, M.; Ooka, R.; Ikeda, S.Journal of Information and Communication Convergence Engineering
정용진, 오창헌Internet of Things (Netherlands)
Priyadarshini I.,Sahu S.,Kumar R.,Taniar D.Forests
Lee B.,Kim N.,Kim E.S.,Jang K.,Kang M.,Lim J.H.,Cho J.,Lee Y.Surface Review and Letters
MOHAMMED BELDJILALI; DRAI IKRAM; KHALED MEKHISSI; INAS TAHA; ISSAM ISMAIL; ABDELKADER NEBATTI ECH-CHERGUI; LAHCEN BELARBI; SMAIN BOUSALEM교양 / 학사
본 강좌는 AI와 머신러닝의 기초 개념을 이해하고, 이를 실제 데이터에 적용하여 예측 및 분류 문제를 해결하는 능력을 배양하는 것을 목표로 한다. 기초적인 데이터 처리 방법부터 머신러닝과 딥러닝 모델에 이르기까지 다양한 주제를 다루며, Pandas, Scikit-learn, PyTorch 등의 라이브러리를 사용하여 데이터를 처리하고 모델을 구현한다. 또한, TV 광고 데이터를 활용한 매출 예측, 신용카드 연체 예측 등 실생활 문제를 다루어 AI 기술이 실질적으로 활용되는 사례를 제공하며, 학생들이 데이터를 통해 실제로 문제를 해결하는 과정에서 얻는 성취감을 높이고자 한다.전선 / 대학원
본 교과목은 응용 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
한 개체로부터 다른 실험조건하에서나 여러 다른 관측시간에 반복적으로 얻어진 자료를 분석하기위한 통계기법을 다룬다. 연속형의 반복측정자료를 분석하기 위해 다변량정규분포의 가정을 필요로 하는 고전적인 다변량모형을 소개하고 최근에 널리 사용되고 있는 혼합모형을 다룬다. 이산형의 반복측정자료 분석을 위해서는 가중최소제곱법에 근거한 모형과 랜덤화 모형을 다루고 일반화선형모형을 확장한 일반화추정방정식(GEE)모형을 다룬다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.전선 / 학사
본 교과목은 기계학습과 딥러닝 기술의 학문적 기반을 바탕으로 화학생물공학 분야의 복잡한 문제 해결을 위한 기법을 익히기 위한 과목이다. 이 과목에서 지도 및 비지도 학습, 의사결정트리, 선형 회귀, 로지스틱 회귀, 신경망, 재료 개발, 열역학, 반응공학, 이동현상, 그리고 공정 최적화의 응용을 다룬다. 또한 최종 프로젝트를 통해 실제 문제를 해결하는 데 필요한 이러한 기술을 적용하는 것을 강조하며, 도메인 지식을 활용하여 효과적인 모델을 개발하는 방법을 학습할 수 있도록 유도할 예정이다. 수업의 선행 조건으로 화학생물공학의 기본적인 지식과 Python 프로그래밍 경험이 필요하며. 강의 내용을 바탕으로 학생들이 화학생물공학에서 빠르게 진화하는 인공지능 분야의 선도자가 될 수 있는 역량 강화에 목표를 둔다.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.전선 / 대학원
통계적 기계학습 방법은 데이터과학 및 인공지능 분야에서 핵심 방법론으로 사용되고 있다. 본 강의에서는 통계적 기계학습 방법론을 소개하고 기본 이론을 배운다. 주로 지도학습방법론을 위주로 다루며, 의사결정론, 고차원 선형모형, 비모수 함수추정, 의사결정나무와 앙상블, Support vector machine 그리고 딥러닝에 대한 이론 및 알고리즘을 가르친다. 그리고 지도학습 알고리즘을 관통하는 통계학적 원리인 M-추정량에 대해서 논의한다.전선 / 학사
통계학, 인공지능, 컴퓨터공학의 도구를 총체적으로 사용하는 데이터마이닝은 기존의 과학 및 공학 분야 뿐 아니라 생산, 마케팅, 금융 등과 같은 비즈니스 분야에도 활발히 사용되고 있다. 본 강좌에서는 데이터마이닝의 기본적인 문제인 클러스터링, 분류, 연관분석 등과 해당 기법들을 소개한다. 또한, 실제 비즈니스에서 데이터마이닝이 사용되는 배경 및 사례를 공부한다. 생산, 마케팅, 금융 분야의 실제 데이터를 사용하여 마이닝을 수행하는 프로젝트를 함으로써 이들 분야에 있어서의 데이터마이닝의 특성을 이해하고 문제해결능력을 제고하고자 한다.전선 / 대학원
본 교과목은 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝에 대해 보다 깊이 있게 소개한다. 데이터마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 그리고 분산 시스템과 다수의 머신을 이용하여 빠르고 확장성 있게 대용량 데이터를 처리하는 방법을 논의한다. 또한 여러 실제 세계 응용에 어떻게 데이터마이닝을 적용하는지에 대해서도 논의한다. 주요 주제로 그래프 데이터 분석, 행렬/텐서 데이터 분석, 비정상 이벤트 탐지 등이 있다.전선 / 학사
인공지능의 발전 및 데이터의 축적으로 최근 재료공학분야에서 기계학습이 활발히 적용되고 있고 새로운 재료설계방법으로 떠오르고 있다. 본 강좌에서는 학생들에게 기계학습 및 통계추론에 대한 기초 이론 및 파이썬을 이용한 라이브러리 활용 방법을 강의한다. 이를 바탕으로 학생이 실제 재료 데이터에 기계학습을 적용하고 해석하는 방법을 익히도록 한다.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
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.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
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.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
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 기초 강좌이다. 본 교과목은 데이터사이언스 전공자를 위한 머신러닝(machine learning)과 딥러닝(deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론(확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다.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.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC (AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 기초 강좌이다. 본 교과목은 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다.전선 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
본 교과목에서는 선박설계를 위한 다양한 인공지능 방법을 배우고 이의 응용 사례를 살펴보는 것을 목적으로 한다. 먼저 선수 과목 등을 통해 학습한 여러 딥 러닝 기법, 즉 DFN (Deep Feedforward Network), RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), 강화 학습 (Reinforcement Learning) 등의 개념을 복습한다. 이후, 설계 분야를 기본설계, 생산설계, 운항설계 등으로 구분한 뒤, 각 분야에서 인공지능이 필요한 사례를 학습한다. 기본설계에서는 도면 내 객체 및 텍스트 인식, 해기상 및 선박 소요 마력 예측 등의 사례를 살펴본다. 생산설계에서는 블록 탑재를 위한 크레인 제어 등의 사례를 살펴본다. 운항 설계에서는 영상 기반 선박 주변 장애물의 탐지 및 추적, 선박의 충돌 회피 등의 사례를 살펴본다. 끝으로 학생들은 설계 분야의 특정한 주제에 대해 인공지능을 활용한 문제 해결 방법에 대해 Term Project를 수행한다.