최근 확인한 콘텐츠
loading...
Reinforcement Learning Algorithms: Analysis and Applications
An Introduction to Deep Reinforcement Learning
Deep reinforcement learning hands-on : apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo zero and more
Deep reinforcement learning : fundamentals, research and applications
Learning in embedded systems
Reinforcement learning and dynamic programming using function approximators
Deep reinforcement learning : frontiers of artificial intelligence
Foundations of deep reinforcement learning : theory and practice in Python
Recent advances in robot learning
Algorithms for reinforcement learning
Reverse hypothesis machine learning : a practitioner's perspectives
Deep learning neural networks : design and case studies
Reinforcement learning : with Open AI, TensorFlow and Keras using Python
Handbook of learning and approximate dynamic programming
Deep learning for quantitative finance : a practical guide to neural networks, transformers, and alpha generation
New perspectives on affect and learning technologies
Robotics research : the 16th International Symposium ISRR
Recent Advances in Reinforcement Learning
Deep learning
Learning experience design : how to create effective learning that works
Journal of Institute of Control, Robotics and Systems
No Jun Kwak; Min Sung Hyun정보과학회논문지
윤찬영, 임수빈, 유상봉, 장윤Structural and Multidisciplinary Optimization
Yonekura, K.; Hattori, H.IEEE Design & Test, Design & Test, IEEE, IEEE Des. Test
Servadei, L.; Lee, J.H.; Arjona Medina, J.A.; Werner, M.; Hochreiter, S.; Ecker, W.; Wille, R.Journal of Mechanical Design
Caputo, C; Cardin, M-AAdvanced Engineering Informatics
Liu Q.,Liu Z.,Xiong B.,Xu W.,Liu Y.CIRP JOURNAL OF MANUFACTURING SCIENCE AND TECHNOLOGY
Li, Chengxi; Zheng, Pai; Yin, Yue; Wang, Baicun; Wang, LihuiArtificial Life
Ha D.CAD Computer Aided Design
Jang, Seowoo; Yoo, Soyoung; Kang, NamwooApplied Sciences (Switzerland)
Moreira I.,Rivas J.,Cruz F.,Dazeley R.,Ayala A.,Fernandes B.Advanced Engineering Informatics
Manuel Davila Delgado J.,Oyedele L.International Journal of Production Research
Shi D.,Fan W.,Xiao Y.,Lin T.,Xing C.Journal of Engineering Design
Haokun Li; Ru Wang; Zuoxu Wang; Guannan Li; Guoxin Wang; Yan YanIEEE Design & Test
Lorenzo Servadei; Jin Hwa Lee; Jose A. Arjona Medina; Michael Werner; Sepp Hochreiter; Wolfgang Ecker; Robert WilleNeural Processing Letters
Dong, K.; Zeng, Y.; Wang, K.; Luo, Y.; Wang, Y.; Cheng, E.; Sun, Z.; Zhang, Q.; Song, B.Applied Mathematics and Nonlinear Sciences
Zhang J.Journal of Computational Design and Engineering
Kakooee R.,Dillenburger B.한국전산구조공학회논문집
김민수, 최상현Control Engineering Practice
Li J.,Pang D.,Zheng Y.,Guan X.,Le X.改革与开放 / Reform & Opening
任梅; 魏芬; 李文嘉; 曹海艳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 과정은 선형 시스템, 전달 함수, 라플라스 변환에 대하여 소개한다. 안정성과 피드백을 다루고 과도 응답 사양을 위한 기본 설계 도구를 제공한다. 또한 주파수 영역 기술도 간략하게 다룬다. 이 과정에는 컴퓨터 프로그래밍 실습 및 제어 설계 프로젝트가 포함된다. 실습 프로젝트에 관련된 전공은 조선해양공학은 물론 로봇공학, 기계공학, 전자공학, 전기공학, 산업응용수학 등이다.전선 / 학사
언어교육 캡스톤 디자인은 인공지능 및 기술을 활용하여 언어교육 관련 문제를 해결하는 것을 목표로 한다. 학생들은 언어교육 문제와 관련하여 스스로 주제를 선택한 다음, 팀 중심의 협업 과정을 통해 창의적으로 문제를 해결한다. 학생들은 팀 과제 수행에 필요한 이론 및 실습을 경험하고, 교육적 가치를 지향하는 문제 해결 프로젝트를 진행하는 과정을 통해, 문제해결역량, 의사소통역량, 협업역량과 같은 다양한 역량을 증진할 수 있다.전선 / 학사
데이터와 인공지능에 대한 이해를 바탕으로 디자인 과정의 효율과 창의성에 대한 실험을 진행한다. 인공지능을 기반으로 하는 생성적 디자인을 비롯하여, 디자인과정에서 인공지능을 활용하는 방법을 탐구한다.전선 / 대학원
본 강의에서는 제조시스템의 동적 스케줄링을 자동화/최적화하기 위한 심층강화학습을 학습한다. 우선, 전통적인 강화학습 이론에 대한 이해를 위해 MDP(Markov Decision Process), Dynamic Programming, Temporal Difference Control을 학습하고, 복잡한 문제 해결을 위한 근사방법으로 Function Approximation 및 Policy Gradient 이론을 학습한다. 다음으로, 강화학습에 심층인공신경망을 접목한 심층강화학습을 위해 DQN(Deep Q-Network), AC(Actor Critic) 등의 심층강화학습 이론을 학습한다. 마지막으로, permutation flowshop scheduling, flexible jobshop 등 대표적인 제조유형의 스케줄링 문제에 심층강화학습을 적용하는 이론 및 실습을 진행한다. 이때 대표 제조유형에 대한 환경은 DES 시뮬레이션 방법을 적용하여 실제 제조시스템의 복잡한 제약조건들을 반영할 수 있도록 한다.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 / 대학원
강화학습은 자율 에이전트가 환경과의 상호작용을 통한 학습을 기반으로 하는 머신러닝의 한 연구분야이다. 이 수업에서는 우선 전통적인 강화학습 내용 (MDP, Value function, Policy gradient, UCB, exploration vs exploitation)을 다룬다. 그리고 최신 연구분야인 deep reinforcement learning을 다루기 위해 multi-layer perceptron, convolutional neural network, recurrent neural network 등의 deep learning에 관한 전반적인 내용들을 학습하고 나아가 raw input의 value function approximator를 이용한 강화학습에 대해 학습한다.전선 / 대학원
강화학습은 자율 에이전트가 환경과의 상호작용을 통한 학습을 기반으로 하는 머신러닝의 한 연구분야이다. 이 수업에서는 우선 전통적인 강화학습 내용(MDP, Value function, Policy gradient, UCB, exploration vs exploitation)을 다룬다. 그리고 최신 연구분야인 deep reinforcement learning을 다루기 위해 multi-layer perceptron, convolutional neural network, recurrent neural network 등의 deep learning에 관한 전반적인 내용들을 학습하고 나아가 raw input의 value function approximator를 이용한 강화학습에 대해 학습한다.전필 / 학사
이 교과목은 학습과학을 시작하는 학생들을 위해 학습과학의 다양한 연구주제와 이론을 소개한다. 교육학, 교과교육학, 심리학, 뇌과학, 컴퓨터과학 등의 다양한 분야에서 이루어지고 있는 학습에 대한 연구를 서로 비교하고 비판적으로 검토한다. 이를 통해 학습을 다양한 관점에서 통합적으로 이해하고 교육 문제를 창의적으로 해결할 수 있는 기반을 마련한다. 그리고 학습과학 분야의 진로탐색을 지원하기 위해 다양하고 실제적인 학습경험을 제공한다.전선 / 대학원
하이터치는 인간의 잠재적 욕구를 체계적으로 연구함으로써 제품에 반영하는 것을 목적으로 한다. 생활환경의 변화와 인간의 잠재적 욕구를 파악하여 새로운 제품개발 대상을 선정하고, 새로운 제품(non-existing product)을 개발해 본다. 하이터치 제품 개발 방법론을 체계적으로 학습하며, 실제 신제품 개발에 적용해 본다.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.전필 / 학사
이 교과목은 학교, 기업, 기타 산업인력개발기관에서 교육훈련을 담당하는 전문가가 갖추어야 할 교수-학습능력을 개발하는 데 목적이 있다. 특히 산업인력개발에 많이 사용되는 문제해결, 문제중심학습(PBL), 액션러닝, 성과중심교육(PBI), 역량중심교수(CBT), 도제제도, 직무상훈련(OJT), 모듈교수, 학습공동체 등 다양한 교수방법의 이론과 실제를 다룬다. 이 교과를 통해 평생학습의 중요성과 다양한 계층의 학습자 특성을 이해하고, 여러 교수방법을 습득함으로써 다양한 인력개발 상황에 적합한 교수방법을 활용할 수 있는 역량을 개발할 수 있도록 한다.전선 / 대학원
인체는 여러 가지의 활동적인 작업을 수행하기 위한 구조를 갖추고 있다. 인체의 작업수행이 영향을 받는 산업 환경의 요소들에 대하여 분석, 평가함으로써, 인간의 작업능력을 유지할 수 있는 작업환경에 관한 개념을 개발한다. 작업조건을 개선하기 위해 생체 각 부분의 국소 및 포괄적인 기능의 발생기전, 의의와 조절기전 등을 이해한다.전선 / 대학원
이 과목은 산업인력개발교수학습이론에 대한 종합적이고 심층적인 이해를 도모하고, 이를 토대로 실업계 고등학교, 전문대학, 대학, 기업체 등에서의 적용능력과 연구능력을 배양하기 위한 과목이다.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.전선 / 대학원
이 강좌는 실험심리학에서 최근의 중요 연구들을 소개하고 인간 마음의 기본 원리를 탐색 및 논의하는 세미나이다. 우선 강의 초에 인간의 생리, 지각 및 인지 수준에서 일반이론을 소개하고 그 문제점들을 알아본다. 이 이론들에 기초하여, 이 강좌에서는 시각, 주의, 언어, 문제 해결, 인간 추리 등의 세부 주세를 다룬다. 또한 이 강좌에서는 이런 주제들에 관해 실험 실습을 통해 학생들의 구체적인 이해의 증진을 시도한다.전선 / 대학원
거시적 측면에서 현대 및 미래디자인을 통찰하기 위한 종합적인 지식을 습득하기 위하여 신제품디자인의 개념, 기능, 그리고 조형과 관련된 주제들, 즉 디자인과 사회, 경제, 기술, 인간, 문화, 환경 등을 다 학제적인 관점에서 연구한다. 주제별 대화와 경험학습이 강조되고, 이를 위하여 이들 각 분야를 이끄는 선도적인 전문가 및 디자이너들을 초빙하여 주제별 세미나, 워크숍 및 토론의 기회를 갖는다.전선 / 학사
머신러닝 디자인(Design for Machine Learning)은 디자인을 위한 도구로 머신러닝을 활용(Machine Learning for Design)하는 것에서 나아가, 디자인 프레임 안에서 머신러닝을 이해하고, 인간중심 디자인 관점으로 사용자 경험을 탐색하여 제품인터랙션과 콘텐츠를 창작할 수 있는 능력을 배양하는 교육과정이다. 이를 위해 모듈1에서는 머신러닝 디자인 개념과 접근, 모듈2에서는 머신러닝 기반 제품인터랙션 디자인, 모듈3에서는 머신러닝 기반 디지털 콘텐츠 디자인을 학습하고 실습을 통하여 디자이너로 성장하기 위한 기초 능력을 계발할 것이다.전선 / 대학원
본 강좌는 인터넷 기술을 기반으로 이루어지는 이러닝(e-Learning) 프로그램, 과정, 혹은 학습 환경을 설계하기 위한 다양한 원리, 아이디어, 모형, 이론을 검토한다. 컴퓨터 및 인터넷을 활용하는 교육 프로그램 개발에 대한 기초적인 이해와 경험을 선수학습으로 요구한다. 본 강좌에서는 중급 이상의 기술을 적용하여 실제 프로젝트의 개발을 경험하게 된다. 또한 이러닝 설계에 관한 최근의 연구 결과에 대한 비판적 분석과 이해를 지향한다.전선 / 학사
딥 러닝의 핵심 개념, 모델 및 활용 사례를 강의한다. 강의 전반부에는 deep neural network의 정의, stochastic gradient descent, backpropagation, activation, optimization 등 딥 러닝의 핵심 개념을 강의하며, 후반부에는 convolutional neural network, recurrent neural network, generative adeversarial network, transformer 등 실제로 활용되는 딥 러닝 모델들의 특징과 활용 사례를 다룬다. 또한 각 모델들을 PyTorch를 통해 실제로 활용해볼 수 있도록 과제/프로젝트를 구성한다.