최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
모두의 딥러닝 =
컴퓨터 비전과 딥러닝 : 텐서플로와 케라스를 사용한 전문 가이드
Learning deep learning : theory and practice of neural networks, computer vision, nlp, and transformers using tensorflow
텐서플로와 케라스로 구현하는 딥러닝 3e
텐서플로 2와 케라스로 구현하는 딥러닝 : 회귀, CNN, GAN, RNN, NLP, AutoML까지 딥러닝의 모든 것
PyTorch로 시작하는 딥러닝 : 딥러닝 기초에서 최신 모던 아키텍처까지
Deep learning neural networks : design and case studies
신경망과 심층학습 : 뉴럴 네트워크와 딥러닝 교과서
텐서플로를 이용한 고급 딥러닝
딥러닝 입문
머신러닝을 위한 파이썬 한 조각 : 파이썬으로 이해하는 인공지능의 시작
이것이 우리에게 딱 맞는 딥러닝 with 텐서플로 : 알짜배기 예제로 배우는 텐서플로와 딥러닝의 모든 것
Cognitive radio networks
(코딩셰프의) 3분 딥러닝 케라스맛
Web, Artificial Intelligence and Network Applications : Proceedings of the Workshops of the 33rd International Conference on Advanced Information Networking and Applications (WAINA-2019)
(펭귄브로의) 3분 딥러닝 파이토치맛 : PyTorch 코드로 맛보는 CNN, GAN, RNN, DQN, Autoencoder, ResNet, Seq2Seq, Adversarial Attack
(실체가 손에 잡히는) 딥러닝 : 기초부터 실전 프로그래밍 : 기초 수학과 파이썬 코드를 따라만 하면 신기하게 이해되는 신경망, 역전파, CNN 구현
딥러닝 제대로 이해하기
Analysis and control of coupled neural networks with reaction-diffusion terms
한국전자통신학회 논문지
공준배, 장민석, 남광우, 이연식International Journal of Parallel Programming
Stahl, Rafael; Hoffman, Alexander; Mueller-Gritschneder, Daniel; Gerstlauer, Andreas; Schlichtmann, UlfThe International Journal of Advanced Culture Technology
남기훈; 전희경Mathematical Problems in Engineering
Saleem M.A.,Senan N.,Wahid F.,Aamir M.,Samad A.,Khan M.International Journal of Information Technology and Decision Making
Ran X.,Shan Z.,Shi Y.,Lin C.Journal of the Korea Institute of Information and Communication Engineering
Eunpyoung Park; Jongsu ParkJournal of Physics: Conference Series
Xin, Y.; Zhang, Z.Applied Sciences (Switzerland)
Sakr A.S.,Soliman N.F.,Al-Gaashani M.S.,Pławiak P.,Ateya A.A.,Hammad M.Connection Science
Lu, T.-C.Expert Systems with Applications
Ortac G.,Ozcan G.Multimedia Tools and Applications
Alsanad H.R.,Sadik A.Z.,Ucan O.N.,Ilyas M.,Bayat O.International Journal on Artificial Intelligence Tools
Lei Chen; Jian Liu; Ming XianIEEE Access
Kim D.K.,Kim K.沧州师范学院学报 / Journal of Cangzhou Teachers' College
刘后胜; 陶健林Pattern Recognition
Fanfani M.,Piva A.,Colombo C.대한용접접합학회지
이기동, 이성, 현승균, 김철희IEEE Transactions on Neural Networks and Learning Systems
Hao T.,Ding X.,Han J.,Guo Y.,Ding G.IEEE Access
Iqbal M.T.B.,Muqeet A.,Bae S.H.International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems
Sonal Pramod Patil; Krupa N. JariwalaBiomedical Signal Processing and Control
Girdhar A.,Kapur H.,Kumar V.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
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
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 / 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
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
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
대수의 기본과 선형블럭부호의 부호화 및 복호화를 이해하고 갈로아체의 연산을 바탕으로 순회부호, BCH 부호 및 리드-솔로몬부호를 학습한다. 콘볼루션부호의 부호화 및 복호화를 이해하고 자동 재전송요청의 기본을 학습한다.전선 / 학사
데이터마이닝은 대용량 데이터에서 유용한 패턴을 찾기 위한 이론과 기법을 의미한다. 데이터마이닝은 웹, 사기 탐지, 추천 시스템, 사이버 보안 등 중요한 응용에 활용되고 있다. 본 과목에서는 데이터마이닝을 위한 중요 알고리즘과 이론을 설명한다. 주요 학습 주제로 mapreduce, 유사 아이템 검색, 빈발 패턴 검색, 링크 분석, 데이터 스트림 마이닝, 클러스터링, 그래프 마이닝 등을 다룬다.전선 / 학사
인터넷 기술을 깊이 다루는 학부 수준의 고급 과정이다. 인터넷의 구조, 프로토콜 응용을 자세히 다룬다. OSI 프로토콜, 데이타 통신 기본 개념에 대한 이해가 사전에 요구된다.전선 / 학사
본 과목은 자연과학대학 학부생을 대상으로 하여, 세부 학부/학과에 관계없이 자연과학대학 학부생이 함양해야 하는 프로그래밍 및 인공지능 지식을 갖추도록 돕는 것을 목표로 합니다. 특히 프로그래밍 및 인공지능과 관련된 방대한 내용 중 자연과학을 전공하는 데 실질적으로 필요한 전산학, 계산과학, 통계학, 심층신경망 분야의 기초지식을 습득하고, 그에 대한 실습을 직접 해보도록 하는 데 초점을 맞춥니다. 이는 자연과학대학의 기존 인공지능/계산과학/데이터과학 전공과목의 수강에 앞서, 학부생들이 프로그래밍 능력과 함께 이를 자연과학의 문제에 직접 적용할 수 있는 능력을 갖추도록 하기 위함입니다. 본 과목에서는 이론과 실습을 병행하여, 향후 자연과학 연구에서 맞닥뜨릴 수 있는 실제 문제와 데이터를 인공지능을 이용하여 다루고 해결해 볼 수 있는 기회를 학부생들에게 제공하고자 합니다. 기초 수준의 컴퓨팅/프로그래밍 능력을 갖춘 학생은 본 과목을 이수한 후, 자연과학의 세부 분야에서 인공지능과 프로그래밍이 어떻게 활용되는지 이해하고, 향후 연구에 직접 활용할 수 있는 능력을 함양하게 될 것입니다.전선 / 대학원
본 교과목은 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝에 대해 보다 깊이 있게 소개한다. 데이터마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 그리고 분산 시스템과 다수의 머신을 이용하여 빠르고 확장성 있게 대용량 데이터를 처리하는 방법을 논의한다. 또한 여러 실제 세계 응용에 어떻게 데이터마이닝을 적용하는지에 대해서도 논의한다. 주요 주제로 그래프 데이터 분석, 행렬/텐서 데이터 분석, 비정상 이벤트 탐지 등이 있다.전선 / 대학원
컴퓨터네트워크연구는 인터넷 프로토콜, 통신 아키텍쳐, 네트워크 보안, 블록체인, 암호화폐, 온라인 프라이버시, 소셜네트워크, 데이터센터 네트워킹, 초고속 네트워킹, 멀티미디어 네트워킹, 이동/무선 네트워킹, 망 운영 및 관리, IoT, 인터넷 트래픽 분석 등 다양한 인터넷 분야의 최신 논문들을 발표하고 토의하는 강의이다. 수강 학생들은 컴퓨터 네트워크 분야 국제학술논문지와 국제학술발표지에서 최근에 발표된 중요한 논문들을 선택하여 요약발표하는 기회를 가진다. 또한 새로운 연구주제가 개발되는 경우 프로젝트를 수행할 수도 있다.전선 / 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 / 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
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
컴퓨터비전은 학계와 산업계 모두에서 가장 빠르게 발전하는 인공 지능 분야로, 3차원 세계를 기록한 사진 및 동영상과 같은 시작정보들을 획득, 처리, 분석, 이해하는 데에 그 목적이 있다. 본 과목은 학부 4학년생을 위한 과목으로서 컴퓨터비전과 관련한 기초적인 개념과 방법론 및 그 응용을 배운다. 아울러 프로그래밍으로 구성된 과제들과 학기 프로젝트를 통해 실제 영상을 다루는 경험을 쌓는데 주안점을 둔다. 본 수업에서 다루는 주제들은, 영상 처리 및 분할, 특징점 검출, 광학, 영상 추적, 사진기 모델, 3차원 복원, 인물 및 물체 인식과 검출 등을 포함한다.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 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.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
이 과목은 컴퓨터공학의 기초를 수강한 학부 상급생을 대상으로 선형대수학, 선형 프로그래밍, 비선형 최적화 등의 다양한 계산모델들을 소개한다. 이러한 계산모델들이 컴퓨터공학에서 사용되는 구체적인 실례들을 통하여 이들이 컴퓨터 응용소프트웨어 개발에 어떻게 사용되는지를 살펴본다.이 과목을 수강하기 위해서는 컴퓨터공학에 관한 기본 수준의 지식과 C, C++ 등의 프로그래밍을 할 수 있는 지식이 요구된다. 수업의 진행은 강의와 더불어 여러 가지 프로그래밍 실습을 병행한다.