최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 머신 러닝을 통해 PIC 보의 구간을 나누고, 하중 유형에 따라 복합재료의 적층 순서를 배열하여 굽힘 특성을 향상시키는 것을 목표로 한다. 불규칙적으로 배치된 참조점을 활용하여 유한요소해석을 수행한 결과, 기존 PIC 보에 비해 최대하중과 흡수 에너지가 증가하는 것을 확인했다.
Problem solver in strength of materials and mechanics of solids
머신 러닝 : 데이터를 이해하는 알고리즘의 예술과 과학
Machine elements: life and design
Finite element analysis of structures through unified formulation
자바 머신 러닝 마스터 : 실무 중심의 자바 기반 머신 러닝 활용법
머신 러닝 알고리즘 : 파이썬 예제와 함께 배우는 머신 러닝
(그림과 수식으로 배우는) 통통 머신러닝 =
One-dimensional finite elements : an introduction to the FE method
파이썬으로 실무에 바로 적용하는 머신 러닝
피처 엔지니어링, 제대로 시작하기 : 데이터에서 효과적으로 정보를 추출하는 원리와 기법
핸즈온 머신러닝 : 사이킷런, 케라스, 텐서플로 2로 완벽 이해하는 머신러닝, 딥러닝 이론&실무
그림으로 배우는 딥러닝
Finite element method in machining processes
(이론에서 실전까지) 금융 머신러닝
확률론적 머신러닝 : 기본편
파이썬을 활용한 머신러닝 해석 가능성 : 예측의 공정성, 책임성, 투명성을 수립하는 다양한 방법 학습하기
Mechanics of materials
(재료과학자 및 엔지니어를 위한) 재료와 인공지능 : 국내 최고의 재료 인공지능 전문가 들의 경험과 노하우
Advanced engineering materials and modeling
인공지능기반 철근콘크리트 구조 설계 =
Composites Research
함석우, 전성식Composites Research
지승민, 함석우, 최진경, 전성식Composites Research
지승민, 함석우, 전성식Composites Research
함석우, 지승민, 전성식Composites Research
함석우, 지승민, 전성식International Journal of Structural Integrity
Wan, S.; Yan, C.; Liu, Z.; Liu, L.International Journal of Plasticity
Kotha S.,Ozturk D.,Ghosh S.Probabilistic Engineering Mechanics
Le, D.-N.; Pham, T.-H.; Papazafeiropoulos, G.; Kong, Z.; Tran, V.-L.; Vu, Q.-V.Structures
de Oliveira, Vinicius Moura; de Carvalho, Adriano Silva; Rossi, Alexandre; Hosseinpour, Mahmoud; Sharifi, Yasser; Martins, Carlos HumbertoApplied Sciences (Switzerland)
Ganasan R.,Tan C.G.,Ibrahim Z.,Nazri F.M.,Sherif M.M.,El-Shafie A.Structures
Liping Wang; Xinzhuo Jiang; Wei Guo; Fei LyuEngineering Structures
Lai D.,Demartino C.,Xiao Y.International Journal of Fatigue
Zhou T.,Sun X.,Chen X.Composite Structures
Chen J.,Wan L.,Ismail Y.,Ye J.,Yang D.Structures
Yılmaz Yılmaz; Serhat Demir; Necip Sannah; Ayşegül Durmuş DemirThin-Walled Structures
Chen G.,Liu H.,Zhang J.,Sun X.,Liu X.Journal of Constructional Steel Research
Zhou Y.,Uy B.,Wang J.,Li D.,Huang Z.,Liu X.Clinical biomechanics (Bristol, Avon)
Hambli R; De Leacy R; Vienney CComposites Science and Technology
Wu T.,Li G.,Xue Y.,Li Z.,Gu B.,Sun B.Proceedings of the Institution of Mechanical Engineers, Part L: Journal of Materials: Design and Applications
Khosrowpour, E.; Hematiyan, M.R.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.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
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
인간의 다양한 운동기술을 주의깊게 관찰하고 효과적으로 연구하는 방법뿐만 아니라 이러한 복잡한 기술들을 정성적으로 분석하는 여러 가지 운동역학적 접근 방법에 대해 배운다. 특히, 인간의 효율적인 운동동작 수행을 위한 주요 원리와 함께 각종 운동상해 원인에 대한 규명 및 예방방법, 그리고 더 나아가 운동 기술의 수행력을 최대로 하기 위한 기술개발 등에 대한 내용을 중심으로 구성된다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.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
이 과목은 전반부는 날로 진화되어 가는 구조시스템의 계획을 위한 하중 흐름과 구조 부재 배치 원리를 익힌다. 이를 위해 구조시스템을 케이블이나 아치를 활용한 형상형 시스템, 트러스를 사용한 벡터형 시스템, 보나 스래브를 활용한 단면형 시스템으로 분류하여 각 유형별 구조 계획의 요소를 이해한다. 후반부는 대표적 구조시스템인 교량에 대하여 설계하중과 설계절차를 다루고, 다변화되는 교량형식에 대해 구조시스템 계획 차원에서의 접근 방법을 이해한다.전필 / 학사
보, 기둥, 벽, 바닥 및 간단한 쉘 구조물의 구조적 요소를 분석하고 설계하는 방식을 제시한다. 여기에서는 특히 목조, 조적조, 철골조, 콘크리트조 등의 구조방식의 이해가 요구된다. 그리고 구조재의 기계적 성질을 시험하기 위한 실험 과정이 포함될 수 있다.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
본 강의에서는 통계적 추론에 기반한 기계학습의 기초에 대하여 학습하고 조선해양공학의 응용문제에 대한 프로젝트를 수행한다. 기계학습에 관련된 확률, 선형대수, 최적화의 기초에 대하여 학습한다. 확률에 기반한 최우추정법에 대하여 학습한다. 비지도 학습 분류 방법 및 선형 회귀법에 대하여 학습한다. Hidden Markov 모델과 Bayesian Inference의 개념, 이론 및 알고리즘에 대한 개요를 학습한다. Neural Network에 기반한 학습모델로 이미지 인식을 위한 Convolutional Neural Network, 음성과 같은 time series 데이터의 학습을 위한 Recurrent Neural Network의 개요에 대하여 학습한다. 그리고 보상에 따라 학습하는 Reinforcement Learning에 대하여 익힌다. 마지막으로 조선해양공학 응용의 기계학습 프로젝트를 수행하도록 한다.전필 / 학사
본 과목에서는 건축재료역학 1의 연장선에서 비틀림, 휨응력 및 조합력을 받는 구조부재의 거동을 이해하고 단면력 산정법, 응력도와 변형도 해석법, 처짐산정법 및 기초적 에너지역학에 관해 학습한다. 특히 고체역학의 3대요소인 평형조건, 적합조건, 힘-변형관계가 수학적 정해를 구하는 모든 과정에 어떻게 매개되고 관여하는지를 분명하게 이해할 수 있도록 강술하여, 다양한 응력을 받는 부재를 올바로 해석하고 설계하는 능력을 배양하는 동시에, 상급의 구조해석 및 구조설계 관련과목의 수강에 필수적인 선수지식을 학습한다.전선 / 대학원
복합재료의 구조-성능의 관계를 이해하고 이를 바탕으로 한 최적설계를 강의한다. 복합재료의 Micromechanics와 Macromechanics의 이해와 복합재료의 구조해석과 역학적 성질에 대한 평가 방법을 배운다전선 / 대학원
최근 신소재의 발달로 나노복합소재가 항공, 에너지, 기계, 건설환경, 조선해양과 같은 다양한 산업에서 활용되고 있다. 복합소재의 구성재료는 물성, 기하학적 형상과 함유율이 다를 뿐 아니라 길이 스케일도 나노에서 마이크로, 메소스케일까지 다양하기 때문에 복잡한 손상모드와 재료거동을 보인다. 따라서 기초물성 뿐 아니라 부품의 설계를 위해 나노-마이크로-메소-매크로의 멀티스케일 접근이 필요하다. 수강생들은 연속체역학 이론, 선형/비선형 유한요소해석, 균질화이론, 전산균질화, Eshelby 텐서기반 미소역학이론, 소성이론과 손상소성이론 기반 멀티스케일 재료구성법칙 이론을 배운다. 기초이론을 기반으로 연속섬유, 텍스타일, 단섬유 복합재료의 마이크로/메소-스케일 대표체적요소의 통계적 재구성방법을 컴퓨터 프로그램을 통해 실습한다. 또한 마이크로스케일 파손이론, 섬유파단, 기지균열, 섬유-기지분리, 인터라미나 박리 등의 손상이론을 학습한 후 점진적 멀티스케일 피로손상 예측방법을 배운다.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.전선 / 대학원
콤포짓트 레진, 인상재 및 악안면 보철재료 등 폴리머계 재료의 특성을 논의한다. 의치상용 레진, 이장재, 임프란트용 아크릴릭 등을 고찰하며 중합수축, 광학특성 및 생체적합성을 결정하는 표면특성을 검토한다. 조직공학과 관련된 scaffold 개발 및 특성에 관한 내용을 포함한다.전선 / 대학원
피로 파괴 모형, 피로 수명 예측, 신뢰도 등 기계 설계의 고급 내용과 변속 장치, PTO, 전동라인, 로터리-트랙터, 로외 장비 등의 기본 설계 이론과 방법 등을 다룬다. 특히 컴퓨터 설계 기법을 강조하여 다룬다.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
재료 및 기하학적 비선형특성을 갖는 구조물의 이론, 모델링, 해석법과 비선형 특성의 원인 및 정적, 동적 하중에 대한 해석방법을 강의한다. 비탄성 재료와 부재의 모델링, P-◁효과, 대변형, 안정성, 실무에의 응용등에 대해 강의한다.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.