최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 수확 후 토마토 품질 유지를 위해 딥러닝 기반 객체 탐색 모델을 활용한 실시간 토마토 숙도 분류 시스템을 제안합니다. 단일 스트림 컨볼루션 신경망 구조의 딥러닝 모델을 적용하여 91.3%의 평균 정확도와 최대 97fps의 빠른 연산 속도를 달성했습니다.
Computer vision and machine learning in agriculture
Artificial intelligence for biology and agriculture
(만들면서 배우는) 파이토치 딥러닝 : 12가지 모델로 알아보는 딥러닝 응용법
Deep learning cookbook : practical recipes to get started quickly
Deep learning for sustainable agriculture
Deep learning
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
Applications of Machine Learning
혼자 공부하는 머신러닝 + 딥러닝
Python for probability, statistics, and machine learning
밑바닥부터 시작하는 딥러닝 파이썬으로 익히는 딥러닝 이론과 구현
밑바닥부터 시작하는 딥러닝 : 파이썬으로 익히는 딥러닝 이론과 구현
혼자 만들면서 공부하는 딥러닝 : 이미지텍스트 분류 및 요약, 전이 학습, 트랜스포머까지 20개 딥러닝 모델 구현하기
Object detection with deep learning models : principles and applications
(파이토치 트랜스포머를 활용한) 자연어 처리와 컴퓨터비전 심층학습 실전 프로젝트와 최신 알고리즘을 통한 딥러닝 모델 개발
(파이토치 트랜스포머를 활용한) 자연어 처리와 컴퓨터비전 심층학습 : 실전 프로젝트와 최신 알고리즘을 통한 딥러닝 모델 개발
텐서플로와 케라스로 구현하는 딥러닝 3e
이미지 처리 바이블 =
파이토치 딥러닝 마스터 : 모의 암 진단 프로젝트로 배우는 신경망 모델 구축부터 훈련, 튜닝, 모델 서빙까지
한국지능시스템학회 논문지
이창훈, 황승국International Journal of Hybrid Intelligent Systems
Pradeep Nahak; Dilip Kumar Pratihar; Alok Kanti DebJournal of Institute of Control, Robotics and Systems
Seung-Hwan Yang; Kwang-Eun Ko; Inhoon JangApplied Sciences-basel
Kim, Taehyeong; Lee, Dae-Hyun; Kim, Kyoung-Chul; Choi, Taeyong; Yu, Jun MyoungSN Computer Science
Mutha S.A.,Shah A.M.,Ahmed M.Z.IEEE Access
Hu C.,Liu X.,Pan Z.,Li P.Journal of Food Measurement and Characterization
Wangyu Liu; Zhenhua Tan; Weigui XieJournal of Real-Time Image Processing
Hao, F.; Zhang, Z.; Kong, H.; Ma, D.International Journal of Fuzzy Logic and Intelligent Systems
Nugroho D.P.,Widiyanto S.,Wardani D.T.Journal of Real-Time Image Processing
Fengqi Hao; Zuyao Zhang; Dexin Ma; Hoiio KongFrontiers in Plant Science
Xiang Y.,Chen Q.,Su Z.,Zhang L.,Chen Z.,Zhou G.,Yao Z.,Xuan Q.,Cheng Y.Computers, Materials and Continua
Cho W.H.,Kim S.K.,Na M.H.,Na I.S.Agronomy
Su F.,Zhao Y.,Wang G.,Liu P.,Yan Y.,Zu L.Agronomy
Moreira G.,Magalhães S.A.,Pinho T.,Dos Santos F.N.,Cunha M.FRONTIERS IN PLANT SCIENCE
Wang, Sen; Jiang, Huiping; Yang, Jixiang; Ma, Xuan; Chen, Jiamin; Li, Zhongjie; Tang, XingqunComputers and Electronics in Agriculture
Kim J.Y.,Pyo H.R.,Jang I.,Kang J.,Ju B.K.,Ko K.E.Korean Journal of Agricultural Science
Kim, Tae Hyeong; Lee, Dae Hyun; Kang, Seung Woo; Cho, Soo Hyun; Kim, Kyoung Chul제어.로봇.시스템학회 논문지
양다연; 손형일; 주찬영Measurement: Food
Ninja Begum; Manuj Kumar HazarikaMultimedia Tools and Applications
Liu J.,Pi J.,Xia L.전선 / 대학원
본 교과목은 농산물의 수확 후 품질관리 고도화를 위해 유통 단계 중 적용될 수 있는 첨단기술 (블럭체인, 클라우드, 디지털 트랜스포메이션 등)의 적용기술을 포함하고 있으며 수송 및 유통 중인 농산물의 품질특성을 측정, 분석할 수 있는 실시간/원격 비파괴 평가기술들에 대한 내용을 포함한다. 구체적으로, 다양한 센싱정보 (영상 등)를 실시간 무선통신방식으로 수집하여 클라우드 기반의 빅데이터를 구축하고 이러한 정보를 분석할 수 있는 딥러닝 기반의 첨단기술들에 대한 구체적 방안에 대해 논의하며 프로젝트를 통해 관련기술들을 구현하도록 한다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야(active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.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 / 대학원
인공 신경망을 기반으로 하는 심층 학습 (Deep Learning) 시스템들은 음성/이미지 인식, 번역, 자율 주행 등 다양한 인공지능 영역에서 광범위하게 확산되고 있으며, 관련 기술 또한 빠르게 발전하고 있는 바, 산업 전반에 걸친 시스템의 지능화를 위해, 심층 학습 모형에 대한 이해와 활용 능력이 점차 중요해지고 있다. 본 과목에서는 심층 학습의 주요 이론과 기법을 학습하는 것을 목적으로, 구체적으로 표현형 학습 (Representation Learning), 심층 피드포워드 신경망 (Deep Feedforward Networks), 합성곱 신경망 (Convolutional Neural Networks), 순환 신경망 (Recurrent Neural Networks), 심층 오토인코더 (Deep Autoencoders), 심층 생성 모형 (Deep Generative Models), 심층 강화학습 (Deep Reinforcement Learning) 기법들을 다루고, 이들을 이해하기 위한 기계학습 및 수리적 기초 이론들을 배운다. 또한, 본 과목은 심층 학습 모델을 활용하여 멀티미디어 데이터들을 대상으로 분류, 예측, 패턴 인식, 생성 모델을 구현하는 프로젝트들 및 심층 학습 응용 사례 연구들을 포함한다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야 (active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.전선 / 학사
AI를 이용하여 주차장 게이트에서 번호판을 인식후 주차장 게이트를 Open/deny 하는 과정을 구현한다. 자동차 번호판을 인식하기 위해 object-detection, Text Detection, OCR, Image Captioning, Generative Model 등 다양한 컴퓨터 비전 에 사용되는 딥러닝 모델들의 개요에 대해 배우고, GPU 서버를 이용하여 이 과정들을 구현한다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 모델을 이용하여 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에서 정상 해부학적 구조물의 자동적 영역분할, CEP 계측점 자동적 탐지, 및 다양한 치과질환의 자동적 탐지 및 분류하는 딥러닝 모델과, 3D 치과 데이터에서 자동적 탐지, 분할과 분류하는 딥러닝 모델의 원리와 구조에 대해 수업함. 인공신경망과 딥러닝 소개 컴퓨터 비전을 위한 심층 컨볼루션 신경망 소개 딥러닝을 이용한 의료 및 치과영상 감지 및 인식 딥러닝을 이용한 의료 및 치과영상 분할 딥러닝을 이용한 의료 및 치과영상 등록 딥러닝을 이용한 컴퓨터 지원 진단(CAD)전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 알고리즘을 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에 적용하여 자동적 영역분할, 치과질환의 자동적 탐지 및 분류하는 방법을 실습함. 치과영상 데이터의 annotation 방법, 신경망 학습, 테스트 및 모델의 성능분석 등을 디지털 치과 데이터를 실제 컴퓨터 서버에 탑재하고 실습하여, 학생 스스로 딥러닝을 이용하여 치과영상을 분석할 수 있는 능력을 제공함. Getting Started with Deep Learning Using PyTorch Building Blocks of Neural Networks Diving Deep into Neural Networks Fundamentals of Machine Learning Deep Learning for Computer Vision Deep Learning with Sequence Data and Text Generative Networks전선 / 학사
4차 산업혁명의 핵심기술인 인공지능(딥러닝)의 배경지식과 활용방법을 습득하며, Convolutional Neural Networks 와 Recurrent Neural Networks 에 관한 지식과 활용법을 실습한다. 딥러닝 기본개념, Stochastic Gradient Descent, backpropagation 기법, 초기화기법, regularization 기법, 콘볼류션신경망(CNN), CNN 구조, 반복신경망(RNN), RNN의 응용, 강화학습을 다룬다. 이론은 기존 머신러닝과목에서 다루므로, 이론보다는 실용적 적용능력을 배양하기 이해 딥러닝 관련 소프트웨어 교육을 강조하며, Python에 관한 강의와 실습, Python 수학 라이브러리 numpy에 강의도 실시한다. 또한 Advanced deep learning library인 Tensorflow에 대한 강의와 실습도 병행한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC (AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 심화 강좌이다. 본 교과목은 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 심화된 내용을 다룬다. 머신러닝 토픽으로는 clustering, dimension reduction 등의 비지도학습, Bayesian networks, Markov Random Field 등의 Graphical models, 강화학습의 기초 등을 다루며, 딥러닝 토픽으로는 시퀀스 데이터를 다루는 RNN, Attention model, Transformer 모델을 이미지, 비디오, 텍스트 등 다양한 형태로 수집되는 데이터를 대상으로 다룬다. 또한 Variational Autoencoder, GAN 등의 생성 모델의 기초를 학습한다.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 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.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
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
정보과학분야의 첨단 기법인 데이터마이닝과 머신러닝에 대한 이론을 학습하고 상업용패키지를 이용하여 농업분야응용에 대해 실습하며, 농업분야의 필요한 알고리즘을 개발하는 학습기회를 제공한다. Decision Tree, Probabilistic Machine Learning, Baysian Classifier, Neural Nets, Support Vector Machine, K--NN, Boosting, K--Means and Hierarchical Clustering, Reenforcement Learning 등에 대한 이론적 연구와 농업분야의 응용을 상업적 패키지를 이용하여 학습하고, 농업분야를 위한 알고리즘의 개발에 대해 실습한다.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
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
대학원생을 위한 교과목으로 인공지능의 핵심 기술인 딥러닝 분야의 고급 이론 및 최신 응용을 다룬다. 구체적으로는 다음과 같은 주제를 다룬다: 트랜스포머 및 메모리-오그멘티드 신경망(메모리네트워크, 뉴럴튜링머신), 생성적대망, 베리에이셔널 오토인코더, 생성플로우 등 심층생성모델; 연속학습, 소수샷학습, 도메인적응, 전이학습 등 메타러닝; 적대적학습; 자동기계학습및 하이퍼파라메터최적화; 자기지도 및 비지도 학습; 보안 및 프라이버시; 딥러닝의 최신 응용 등 - 권장 선수과목: 기계학습 및 전기정보응용(M2608.001300), 딥러닝(M2177.003100)전선 / 대학원
ICT, 빅데이터 등 디지털 혁신 기술의 도입은 농식품산업의 디지털 전환(digital transformation)을 가속화하고 있다. 스마트팜, 푸드테크, 그린바이오 등 농식품산업 관련 신흥기술 이슈를 분석하기 위해서는 기존 정태 및 동태분석법을 넘어 정형 및 비정형 대용량 데이터 분석에 적합한 새로운 방법론을 학습할 필요가 있다. 이에 본 과목은 데이터마이닝, 기계학습, 프로세스 알고리즘 등을 포함한 최신 데이터사이언스 기법을 학습한다. 강의는 다음과 같이 구성된다. 첫째, 디지털 농식품산업의 동태적 변화를 실증적으로 파악하기 위해 선형 및 비선형 시계열 모형을 학습한다. 둘째, 베이지언(Bayesian) 통계에 기반한 칼만 필터링(Kalman filterting) 및 마르코프 체인 몬테카를로(Markov Chain Monte Carlo, MCMC) 시뮬레이션 등 최신 예측 방법론을 학습한다. 셋째, 빅데이터 마이닝, 머신러닝(machine learning), 인공신경망(artificial neural network) 관련 기초 이론을 학습하고 디지털 농식품산업 분야 경제 이슈에 적용한다.전선 / 학사
본 과목은 자연어 이해를 위한 확률 및 딥러닝 학습 방법론을 다룬다. 자연어 이해는 인공 지능에서 크게 주목받고 있는 영역으로 활용 범위가 웹 검색, 번역, 대화 모델 등으로 다양하다. 자연어 이해에서 성공적인 모델은 확률기반, 딥러닝 기반, 대형 언어모델 기반 모델 등이 있다. 본 과목에서는 이러한 다양한 모델을 이해하고, 디자인하고 구현하고 평가하는데 요구되는 최신 기술들을 다룬다. 1. 과목소개 2. Bag-of-word 언어모델 3. N-gram 언어모델 4. Bayesian 모델 5. Logistic 회귀 6. 임베딩 7. CNN 8. RNN 9. Transformer 10. 문맥적 임베딩 11. 지식 구축 및 활요 12. 언어에서의 AI 편향성