최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
김보경, Jiale Song, 주재현, 강순아, 박건영
2015 / Food Science and Biotechnology
김종한, 유제혁, 박지민, 이승민, 임세훈, 이상훈, 이재동, 남동우
2013 / Journal of Acupuncture Research
Foster, Richard I.; Park, June Kyung; Lee, Keunyoung; Seo, Bum-Kyoung
2022 / 방사성폐기물학회지
데이터가 존재하지 않습니다.
loading...
머신 러닝
패턴 인식과 머신 러닝
머신러닝 엔지니어링 with 파이썬
Artificial neural networks : applications in financial forecasting
머신 러닝 인 파이썬 : 파이썬을 활용한, 예측분석을 위한 기계 학습
Machine learning : the new AI
Machine-learning techniques in economics : new tools for predicting economic growth
Deep learning in quantitative trading
Machine learning refined : foundations, algorithms, and applications
Machine learning and robot perception
Spark와 머신 러닝 : 빅데이터 분석과 예측 모델 트레이닝을 위한
Machine learning refined : foundations, algorithms, and applications
(이론에서 실전까지) 금융 머신러닝
High-Performance Computing and Big Data Analysis : Second International Congress, TopHPC 2019, Tehran, Iran, April 23–25, 2019, Revised Selected Papers
Machine Learning : Concepts, Techniques and Applications
Applications of Machine Learning
(기본 알고리즘 및 적용 예제, 사례 연구로 살펴보는) 데이터 예측을 위한 머신 러닝
예측 기계 : 인공지능의 간단한 경제학
(파이썬) 머신러닝
Reinforcement Learning Algorithms: Analysis and Applications
Molecular pharmaceutics
Bart, Hens; Isabel, Gonzalez-Alvarez; Marival, Bermejo한국전자통신학회 논문지
최정곤한국정보통신학회논문지
김종훈, 오하영JOURNAL OF ECONOMIC PERSPECTIVES
Agrawal, Ajay; Gans, Joshua S.; Goldfarb, AviIEEE Power and Energy Magazine
Jędrzejewski, Arkadiusz; Lago, Jesus; Marcjasz, Grzegorz; Weron, RafałThe Journal of Economic Perspectives
Agrawal, Ajay; Gans, Joshua S.; Goldfarb, AviIEEE Power and Energy Magazine, Power and Energy Magazine, IEEE, IEEE Power and Energy Mag.
Chatzivasileiadis, S.; Venzke, A.; Stiasny, J.; Misyris, G.Proceedings of the VLDB Endowment
Chaoji, Vineet; Rastogi, Rajeev; Roy, GouravJournal of Physics: Conference Series
Umapathy Eaganathan; Karandeep Singh; P. M. BoomaEnergy Systems: Optimization, Modeling, Simulation, and Economic Aspects
Sehgal, Neha; Pandey, Krishan K.Meteorology and Atmospheric Physics
Ghorbani, M. A.; Khatibi, R.; FazeliFard, M. H.; Naghipour, L.; Makarynskyy, O.IEEE Power and Energy Magazine, Power and Energy Magazine, IEEE, IEEE Power and Energy Mag.
Hong, T.; Li, F.Sustainable Energy, Grids and Networks
Gunduz S.,Ugurlu U.,Oksuz I.IET Generation, Transmission and Distribution
Yadav P.K.,Bhasker R.,Stonier A.A.,Peter G.,Vijayakumar A.,Ganji V.Electronic Markets
Christian Janiesch; Patrick Zschech; Kai HeinrichChest
Alqalyoobi SSouth Asian Journal of Macroeconomics and Public Finance
Pijush Kanti Das; Prabir Kumar DasELECTRIC POWER SYSTEMS RESEARCH
Wazirali, Raniyah; Yaghoubi, Elnaz; Abujazar, Mohammed Shadi S.; Ahmad, Rami; Vakili, Amir HosseinIEEE Transactions on Power Systems
Ruan G.,Wang J.,Zhong H.,Xia Q.,Kang C.지식경영연구
임주환, 이민우, 손성근전선 / 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 / 학사
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.전선 / 학사
통상적으로 교통운영은 교통류에 대한 충분한 이해를 바탕으로 적절한 운영 방안을 도입하여 도로교통시설의 효율을 높이는 것을 의미한다. 이를 위해 교통류에 대한 미시적‧거시적 관점, 교통량‧속도‧밀도 등 교통류 특성 간의 관계, 교통정체의 발생 및 해소 과정 등을 이해하는 것이 중요하다. 한편, 교통수단의 다변화로 인해 기존 교통운영의 대상이었던 도로교통이 교통시스템의 한 요소로써의 역할을 맡게 되었으며, 자연스럽게 교통운영의 범위도 확대되었다. 또한, 정보통신기술의 발달이 수집 가능한 정보의 질적‧양적 성장을 촉진하였지만, 불완전한 정보가 수집되거나 교통시스템 내‧외적 요인으로 인해 불확실한 예측이 이뤄지는 경우도 발생하였다. 최근 들어 이를 해결하기 위해 인공지능(Artificial Intelligence, AI)을 활용한 사례들이 등장하고 있다. 따라서 이 과목에서는 교통류분석, 교통신호제어 등의 배경이 되는 교통 관련 이론에 대해 학습함과 더불어 교통운영 분야 내 다양한 AI 적용 사례들을 소개하면서 기계학습(Machine Learning), 딥러닝(Deep Learning), 생성형 AI(Generative AI) 등 연관된 AI 기법을 살펴본다. 아울러 자율주행차량 제어, 대중교통 및 모빌리티 시스템 운영 등 교통운영의 확대된 범주 내에 포함되는 교통시스템에 대해서도 다룸으로써 폭넓은 지적 기반을 제공할 수 있을 것으로 기대된다.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 / 학사
머신러닝과 인공지능 분야가 보여주고 있는 놀라운 발전의 근간에는 자연 현상을 수학 문제로 기술한 뒤 수많은 현대 수학의 도구를 이용해서 풀어낸 수학의 틀이 존재한다. 따라서 이같은 수학의 핵심 원리를 모른 채 이미 라이브러리화된 것을 단순하게 사용하여 학습하는 것으로는 한계에 봉착할 수 있다. 본 강의의 목적은 수강생이 머신러닝을 이해하는데 있어 필요한 수학을 프로그래밍과 연계하여 학습하는데 있다. 이를 위해 본 강의는, 수학의 단위 주제 강의 후 즉시 프로그래밍 실습을 통해 익히는 마이크로러닝 방식으로 운영한다. 머신러닝 알고리즘을 직접 다루지 않으나, 대수학, 미적분학, 선형대수, 기하학과 같이 머신러닝 학습 및 강좌에 필수적으로 요구되는 내용을 다루며, 수업에서 사용하는 프로그래밍 언어는 파이썬이다. 본 강의는 이공계 고교 수학 이상의 지식을 갖추고 있으나 프로그래밍 지식을 갖추고 있지 않은 학생을 주 대상으로 한다.전선 / 대학원
평균 제곱 추정(mean square estimation), 최대 가능성 추정(max likelihood estimation), 그리고, Wiener 필터링과 같은 고전적인 추정 이론에 대해 소개한다. 이산 시간 또는 연속 시간 Kalman 필터, shaping filter, 최적 평활, Kalman 필터 디자인과 성능 분석, 제곱근 필터링, 확장 Kalman 필터를 포함한 비선형 필터링에 대해서도 알아본다.전선 / 학사
학부과정을 총정리하는 의미에서 지금까지 학습한 철학, 정책, 실천 등을 우리나라의 실제 분야에 적용해 보기 위한 기반을 구축하려는 목적을 지니는 과목이다. 소득구조, 근로조건, 주택, 의료 등의 문제들을 검토하고, 학생들의 공통적인 관심사도 연구과제로 삼게 된다.교양 / 학사
이 교과목은 과학기술과 사회의 다면적인 경계를 허물고 이를 통해 펼쳐질 미래의 지평을 조망하는 것을 목적으로 한다. 이를 위해 과학기술과 인문, 사회과학을 넘나드는 고도로 융합적인 접근을 시도한다. 과학기술을 통해 미래를 엿보는 각종 접근방법을 리뷰하고 예측의 한계를 이해함으로써 과학기술과 미래의 상호작용에 대한 관점을 형성하며, 사례로서 인공지능과 데이터과학의 과거와 현재를 돌아본다. 바람직한 미래를 만들어가기 위한 과학기술의 역할과 사회적 고려들은 무엇인지 생각해본다. 이 교과목은 주제별 강의와 토론으로 구성된다.전선 / 학사
이 과목은 전력경제에 대한 전반적인 내용을 다룬다. 탈 규제화된 전력시장에서 전력시장의 참가자들에 대해 소개한 다음 전력시장을 이해하기 위해 필요한 미시경제학에서 사용되고 있는 개념들에 대해서 배울 것이다. 그런 다음 경쟁 환경하에서 전력시장이 어떻게 운영되는지 알아 볼 것이다. 문제를 간단하게 하기 위해 강의 처음부분에는 송전선를 고려하지 않고 오직 경제적인 관점에 대해서만 다루기로 한다. 중간 부분에서는 계통의 안정도와 송전시스템이 어떻게 전력시장에 영향을 미치는가에 대해서 다룰 것이다. 강의 마지막 부분에서는 경쟁체제어서 발전회사의 투자전략과 송전선로의 투자전략에 대해서 다룰 것이다.전선 / 대학원
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.전선 / 대학원
멀티스케일 문제의 엄밀한 해석 체계를 갖추기 위해서는 양자역학부터 연속체 역학까지의 이해와 적용능력이 필요하다. 실제적인 디바이스의 설계를 위해서 필요한 물리계의 이론을 양자역학에서 출발한 제일원리의 분자동역학으로부터 고전적 분자동역학, 마이크로 스케일 물리계 역학, 연속체 물리계의 이론까지 학습한다.전선 / 대학원
마케팅 활동의 효과를 높이는 방향의 하나로서 데이터에 기반한 과학적인 마케팅 실행에 대한 필요성이 지속적으로 높아지고 있는데, 데이터 사이언스 및 인공 지능 분야의 핵심 요소 중의 하나인 머신 러닝 기법들이 이러한 과학적이며 효과적인 마케팅 프로그램을 실행하는데 있어 매우 유용한 도구로서 활용될 수 있을 것이다. 본 과목에서는 마케팅 의사 결정의 품질을 높이기 위해 머신러닝의 다양한 분석 기법을 효과적으로 활용하는 방법에 대해 학습하는데, 마케팅 의사 결정의 종류가 다양하고 또한 이들 종류별로 필요한 데이터와 적절한 분석 기법이 상이하므로 마케팅 의사 결정 종류별로 어떠한 데이터를 어떠한 기법을 통하여 분석할 것인지에 대한 체계를 중심으로 학습한다.전선 / 대학원
데이터마이닝 (Data Mining)은 대용량 데이터베이스에 존재하는 데이터 간의 관계, 패턴, 규칙 등을 찾아내고 모형화해서 의사결정을 돕고, 유용한 정보로 변환하는 일련의 과정이다. 본 강좌에서는 기술모델링과 예측모델링에 사용되는 통계학, 기계학습, 신경회로망 기법들을 공부하고, 응용 사례 연구와 패키지를 이용한 프로젝트를 수행한다.전선 / 대학원
본 코스에서는 선형, 비선형, 정수, 동적, 확률적인 최적화 기법에 대해 강의한다. 각 기법에서 어떻게 바람직한 측면을 최대화 하고 부적적인 측면을 최소화 할 수 있는가를 보여 줄 수 있는 예제들을 제시하게 될 것이다. 특히 산업 뿐 아니라 컴퓨터 프로그램에서 선형, 비선형 문제를 풀기위한 응용문제를 강조하게 될 것이다.전선 / 대학원
인공지능 기술이 빠르게 진화하고 우리 사회에 미치는 영향력이 점차 커지고 있다. 따라서, 기존의 인공지능 관련 과목에서는 다루기 힘든 최신 주제에 관하여 특강 형태의 강의를 개설함으로써 인공지능 연구 및 사회적 영향력에 관한 최진 연구 경향을 파악할 수 있는 수업을 제공하고자 한다. 이 교과목에서는 기계학습, 컴퓨터 비전, 자연어 처리, 로보틱스, 컴퓨터 통신, 컴퓨터 시스템 등과 같은 컴퓨터 과학 분야뿐만 아니라, 공학, 자연과학, 사회과학 등과 같은 다양한 분야를 다루는 수업을 개설할 수 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 / 학사
인공지능 기술의 발달로 외국어교육 연구에서도 많은 혁신이 요구된다. 본 강의에서는 인공지능 기술을 언어교육에 활용하는 방안을 모색해 본다. 구체적으로, 본 과목은 언어 학습자 및 언어 교육 맥락에 대한 이해를 바탕으로 다양한 언어 교육 목적의 테크놀로지를 활용하여 언어를 교수하고 평가하는 방법을 익히는 것을 목적으로 한다. 이를 위해 언어입력, 출력, 상호작용, 피드백과 같이 언어교육 및 발달과 관련한 주요 개념을 익히고, 다양한 인공지능 도구를 활용하고 적용해 본다.전선 / 학사
학습시스템은 환경과의 상호작용을 통한 경험으로부터 지식을 습득하여 스스로 성능을 향상시키는 시스템이다. 기계학습은 학습시스템의 핵심인 경험으로부터 획득한 데이터로부터 모델을 자동으로 생성하고 이를 기반으로 미래 를 예측하는 계산구조와 알고리즘을 연구하는 컴퓨터공학의 한 분야이다. 기계학습은 인터넷 정보검색, 텍스트마이닝, 컴퓨터비젼, 로보틱스, 게임 뿐만 아니라 생명과학과 비즈니스 데이터마이닝 등에 성공적으로 활용되었다. 최근 들어 모바일폰, 스마트 TV등에서 사용자 모델링과 개인화 추천 서비스에 사용되고 있으며 컴퓨터구조, 컴파일러, 운영체제, 통신망 시스템의 모델링 및 성능 예측 등 컴퓨터공학의 다양한 분야에서 널리 활용되고 있다. 본 교과목은 감독학습, 무감독 학습, 강화학습 등 기계학습의 기본 개념과 원리, 여러가지 학습 방법에 대한 모델 구조와 학습 알고리즘 및 그 수학적인 기반를 제공하는 것을 목적으로 한다. 패턴분류, 확률관계모델링, 순차적 의사결정과정에 대한 구체적인 학습 구조와 알고리즘을 살펴보며 실제 응용문제 해결을 위한 미니 프로젝트를 통하여 그 활용 방법을 습득한다.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
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.