최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Kusaka Y.,Hirata A.,Ohgata A.,Fukuda N.
2023 / Precision Engineering
양서희, 류한영
2021 / Journal of Integrated Design Research
김종민, 박선경, 궈텐자오, 강진용, 하정수, 이두상, 권오준, 이욱, 허호진
2016 / 농업생명과학연구
Kwon, Dokyeong; Kim, Do Min; Choi, Soo Min; Suh, Hyo Seon; Kim, Yoon Young; Yoon, Hyunsik; Char, Kookheon
2018 / Macromolecular Research
Jeong H.J.,Lee J.B.,Gil J.S.,Hong C.P.,Kang S.H.,Kwon S.J.,Kim H.J.,Kim C.K.,Lee J.H.,Lee Y.
2021 / Korean Journal of Medicinal Crop Science
심주용, 석경하, 손인석
2022 / Quantitative Bio-Science
김성군, 양성병, 윤상혁
2022 / 한국IT서비스학회지
Calvo-Rodriguez S.,Sánchez-Azofeifa G.A.,Durán S.M.,Espírito-Santo M.M.D.,Nunes Y.R.F.
2021 / Forests
데이터가 존재하지 않습니다.
loading...
본 연구는 자연어 처리 분야의 사전 학습 모델인 BERT를 법률 상담 데이터 분류 문제에 적용하여 전이 학습 효과를 검증하였다. BERT를 활용한 Transformer 분류 모델은 기존 머신러닝 알고리즘보다 높은 정확도를 보였다.
파이썬 텍스트 마이닝 완벽 가이드 : 자연어 처리 기초부터 딥러닝 기반 BERT와 트랜스포머까지
구글 BERT의 정석 : 인공지능, 자연어 처리를 위한 BERT의 모든 것
트랜스포머로 시작하는 자연어 처리 : 자연어 처리 기초부터 BERT, RoBERTa, 코파일럿, CPT-4 모델까지
마스터링 트랜스포머 : BERT에서 LLM, 스테이블 디퓨전까지, Transformers 라이브러리와 함께하는 트랜스포머 탐구
딥러닝의 통계적 이해 =
Social media analytics for user behavior modeling : a task heterogeneity perspective
(자연어처리를 위한) 딥러닝
파이썬 텍스트 마이닝 완벽 가이드 : 자연어 처리 기초부터 딥러닝 기반 BERT 모델까지
Learning deep learning : theory and practice of neural networks, computer vision, nlp, and transformers using tensorflow
한국어 임베딩 : 자연어 처리 모델의 성능을 높이는 핵심 비결 Word2Vec에서 ELMo, BERT까지
Deep learning for NLP and speech recognition
Computers en vage normen : een computermodel voor de behandeling van juridische casus
(Do it!) BERT와 GPT로 배우는 자연어 처리 = 트랜스포머 핵심 원리와 허깅페이스 패키지 활용법
Transformers for machine learning : a deep dive
Understanding language understanding : computational models of reading
안녕, 트랜스포머 : BERT에서 시작하는 자연어 처리 레시피
(텐서플로 2와 머신러닝으로 시작하는) 자연어 처리 : 로지스틱 회귀부터 BERT와 GPT3까지
Deep learning-based approaches for sentiment analysis
Deep learning and linguistic representation
Sociological Methods and Research
Wankmüller S.International Journal of Information Technology (Singapore)
Sheik R.,Parida S.S.,Nirmala S.J.Artificial Intelligence and Law
Greco, Candida M.; Tagarelli, Andrea법학논총
신홍균Multimedia Tools and Applications
Suneera, C.M.; Prakash, J.; Alaparthi, V.S.Transactions of the Association for Computational Linguistics
Rogers A.,Kovaleva O.,Rumshisky A.IEIE Transactions on Smart Processing & Computing
Prashant Upadhyay, Tuhina Panda, Preeti Jaidka, Nidhi GuptaCHINESE COMPUTATIONAL LINGUISTICS, CCL 2019
Sun, Chi; Qiu, Xipeng; Xu, Yige; Huang, XuanjingMachine Learning and Knowledge Extraction
Araujo V.,Moens M.F.,Soto A.IEEE Journal of Biomedical and Health Informatics
Gao S.,Alawad M.,Young M.T.,Gounley J.,Schaefferkoetter N.,Yoon H.J.,Wu X.C.,Durbin E.B.,Doherty J.,Stroup A.,Coyle L.,Tourassi G.Journal of Data and Information Science
Henriques R.,Ferreira A.,Castelli M.대한임베디드공학회논문지
국정우Digital Journalism
Guo L.,Su C.,Paik S.,Bhatia V.,Akavoor V.P.,Gao G.,Betke M.,Wijaya D.SN Computer Science
Mishra S.,Prasad S.,Mishra S.한국전자통신학회 논문지
이재홍글로벌경영학회지
배재권정보관리학회지
김인후, 김성희Automation in Construction
Wang N.,Issa R.R.A.,Anumba C.J.Journal of King Saud University - Computer and Information Sciences
El-Alami F.z.,Ouatik El Alaoui S.,En Nahnahi N.Computational intelligence and neuroscience
Zheng M; Liu B; Sun L전필 / 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
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
소셜 컴퓨팅과 라지데이터 분석 등이 커뮤니케이션 분야에서도 중요한 이슈로 부상함에 따라 컴퓨터공학을 전공하지 않은 연구자들도 소셜 네트웍 시스템의 기술적, 구조적 특성을 이해할 필요가 있다. 이 수업에서는 Ruby나 Python 등을 사용한 기초 프로그래밍 학습과, 웹 기반 기술(web technology), 데이터베이스 등의 관련 기술에 대한 학습을 통해 실제로 소셜 네트웍을 개발하고 분석하는 방법을 배운다. 또한, 이 과정에서 트위터 등의 소셜 네트웍의 데이터 마이닝 기법을 배우고 소셜 네트웍 분석을 실습을 통해 학습한다.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 / 학사
인공신경망의 원리와 종류를 살펴보고 그 동작을 이해한다. 이를 기반으로 딥러닝 네트워크의 원리를 공부하고 설계하여 그 동작을 이론과 실습을 통해 이해한다. 또한 응용 분야에 따른 다양한 딥러닝 네트워크를 알아보고 학습과 검증 과정을 통해 설계 및 응용분야에 적용하는 예제를 공부한다.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.전선 / 학사
본 과목에서는 자연어 처리 분야의 최근 기술 발전과 이를 이해하기 위한 배경 지식 전반을 강의한다. Transformer model 기반 자연어 처리 기법을 주로 다루며, 이를 이해하기 위해 필요한 배경 지식(Embedding, Encoder-Decoder, Attention 등)을 다룬다. 실제 자연어 처리 문제를 해결하기 위해 Transformer를 수정/활용하는 프로젝트를 진행한다.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 / 대학원
이 과목에서는 자연어처리에 대한 간단한 소개와 함께, 대표적인 인공신경망 기법들이 자연어처리 어떻게 적용되는지 살펴본다. 최근 일상생활에서도 많이 쓰이는 자연어처리는 인공신경망의 성장과 함께 비약적인 발전을 보였다. 인공신경망을 이용한 딥러닝 기법은 이론적인 면뿐만 아니라, 효율적 계산과 최적화 등의 실험적인 요소가 많아 실습이 중요하다. 이 과목을 듣기 위해서는 기계학습에 대한 기본적인 이해와 파이썬, 딥러닝 모형을 사용하는 능력이 요구된다. 이 강좌는 학생들이 자연어처리의 최근 방법론을 학습하고, 실제 구현하는 능력을 배양하며, 마지막으로 최근 방법론이 가진 한계점, 미래 연구주제에 관해 탐구한다.전선 / 대학원
본 교과목은 오늘날 인공지능의 중심을 이루는 거대언어모델(Large Language Models)과 이를 기반으로 한 대화형 인공지능을 다룬다. 특히 거대언어모델의 학습부터 응용까지 이어지는 전체 파이프라인을 아래와 같이 체계적으로 다룬다. (1) Pre-training: 지식 습득을 위한 사전학습(Transformer, BERT, GPTs) (2) Supervised Fine-tuning: 상호작용 학습(Dialogue Fine-tuning, Instruction Tuning, Reasoning) (3) Alignment: 인간 가치와의 정렬(RLHF, DPO, KTO 등) 및 언어모델 해석 기법(AI Psychometrics, Mechanistic Interpretability) (4) Grounding: 외부 데이터 및 도구 활용 기법(페르소나, 문서, 이미지, 지식 그래프, 도구 증강 에이전트) (5) Applications: 다양한 도메인으로의 응용(대화 시뮬레이션 및 심리상담·교육·설득 응용) 수업에서는 각 연구 주제별로 핵심 논문들의 아이디어, 데이터, 방법론 등을 강의한다. 실습으로는 언어모델 학습, 언어모델 API를 이용한 대화 시스템 구현, 대화형 인공지능과 관련된 작은 연구 프로젝트를 수행한다. 이 과목을 통해 수강생들은 거대언어모델 연구 동향을 큰 틀에서 파악하고, 핵심적인 연구 주제들과 방법론을 이해하며, 이를 실제 연구에 적용하는 능력을 기르게 된다.전선 / 대학원
데이터사이언스와 관련한 여러 분야의 최근의 국내외 연구동향을 소개한다. 강의와 세미나를 통하여 관련분야의 최신 방법론과 특정 주제를 심도 있게 습득할 수 있도록 한다.전선 / 대학원
머신러닝 등 빅데이터를 활용한 인공지능 기술의 급속한 발전 및 사회 각 분야로의 파급에 따라 그에 관한 법 시스템 및 규제 전반에 대한 논의의 필요성이 급격하게 증가하고 있음. 데이터 및 인공지능 기술 및 방법론 개관, 데이터 및 인공지능과 관련된 법제도 개관, 로보틱스 및 자율주행차와 관련된 규제 및 책임제도 개관, 데이터와 프라이버시, 데이터와 시장경쟁, 인공지능과 노동, 인공지능과 사회경제적 차별, 인공지능과 불법행위 책임, 인공지능 의사결정의 투명성 및 책임성(accountability), 설명가능/해석가능한 인공지능과 법적 책임 등.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 편향성전선 / 학사
본 강의에서는 다양한 산업에서 발생하는 텍스트 데이터에 대한 이해와 함께, 이에 대한 분석 기법들을 학습하는 것을 목적으로 한다. 크게 텍스트 데이터의 이해, 텍스트 데이터의 전처리 및 표상화, 언어 모델의 구조 이해, 그리고 텍스트 데이터의 응용 과업 등의 네 가지 파트로 구성하여 강의를 진행한다. 텍스트 데이터의 이해 파트에서는 제조업, 마케팅, 금융 등의 비즈니스에서 발생하는 텍스트 데이터의 특징과 이에 대한 활용 사례를 주로 다룬다. 텍스트 데이터의 전처리 및 표상화 파트에서는 전통적인 bag-of-words 방식을 포함하여, word2vec, GloVe, Fasttext와 같은 신경망 기반의 텍스트 표상화 방법을 강의한다. 언어모델의 구조 이해 파트에서는 Seqence-to-sequence Learning과 Transformer 구조에 대한 이해를 바탕으로 BERT 및 GPT 등의 대표적인 언어모델 구조를 강의한다. 마지막으로 텍스트 데이터의 응용 과업 파트에서는 감성 분석, 문서 요약, 질의 응답 등의 실제 비즈니스에서 자주 사용되는 텍스트 데이터 분석 과업을 소개하고 이를 해결하기 위한 적절한 방법론을 강의한다.전선 / 대학원
오늘날 데이터 중심의 비즈니스 환경에서 인공지능/머신러닝(AI/ML) 기술은 고객 및 시장 분석부터 전략적 의사결정에 이르기 까지 기업 경영 전반에 수많은 혁신을 일으키고 있다. 본 과정은 MBA 학생들에게 비즈니스 애플리케이션에 특화된 핵심 AI/ML 알고리즘들을 실습 중심으로 학습할 수 있는 기회를 제공한다. 고객 이탈 예측, 금융 사기 탐지, 고객 세분화, 수요 예측, 맞춤형 추천 시스템과 같은 실전 사례들을 통해 머신러닝의 실용적인 적용 방법을 익히게 되며, 대규모 언어 모델(LLM)을 활용하여 별도의 프로그래밍 경험 없이도 데이터 처리 및 AI/ML 알고리즘 적용을 위한 기초적인 코드 구현 기술을 습득하게 된다. 본 과정을 수료한 학생들은 머신러닝을 활용한 데이터 기반 의사결정을 효과적으로 수행할 수 있는 역량을 갖추게 될 것이다.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 / 학사
편미분방정식의 가장 기초적 이론들을 고전적 방정식들의 예를 들어 소개한다. 구체적으로 다룰 내용들은 일계준선형 편미분방정식이론, 국소해의 존재성과 유일성, Cauchy-Kovalevsky 정리, Laplace 방정식, 최대치원리, Harnack 부등식, Hilbert 공간의 방법론, 변분원리 등이다.전선 / 대학원
AI와 빅데이터는 안과 영역에서 기초 및 임상 연구를 너머 실제 임상현장에도 큰 영향을 미치고 있다. 안과 영역에서 빅데이터를 이용한 연구들의 방법론과 실제 연구들을 살펴보고 최신 연구 동향을 알아보고자 한다. 최근 transformer의 발전에 이어 foundation model의 보급, 그리고 이를 바탕으로한 Large Language Model들의 성능이 향상되면서, 이를 안과를 포함한 의료 영역에 적용하는 다양한 연구들과 실제 사용례들이 늘어나고 있다. 이에 대해 살펴보고 실제 연구와 임상현장에 적용되는 경우를 알아보도록 하겠다. 이 강좌를 통해서 학생들은 안과 영역의 AI와 빅데이터의 활용에 대한 최신 지견을 배울 수 있다.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
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.