최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
J. D. JANG, I. T. LEE, 김원진, 천두만
2015 / International Journal of Automotive Technology
임선집, 신민수
2014 / Asia Pacific Journal of Information Systems
정치서, 이종용, 정계동
2020 / The International Journal of Internet, Broadcasting and Communication
데이터가 존재하지 않습니다.
loading...
본 연구는 딥러닝을 활용하여 사용자의 성격 유형에 맞는 관광 유형을 분류하고 추천하는 적응형 추천 시스템을 제안합니다. 제안하는 시스템은 효율성과 유지보수 용이성을 위해 핵심 역할에 따라 세 개의 계층으로 구성됩니다. 딥러닝을 사용함으로써 시스템의 확장성을 높이고, 사용자의 성격 유형과 관광 유형 간의 연결을 통해 유연한 데이터 제공이 가능합니다.
Recommender systems : the textbook
추천 시스템 : 기초부터 실무까지 머신러닝 추천 시스템 교과서
Innovations in big data mining and embedded knowledge
Machine learning paradigms : applications in recommender systems
Information and Communication Technologies in Tourism 2019 : Proceedings of the International Conference in Nicosia, Cyprus, January 30–February 1, 2019
Web personalization in intelligent environments
Python을 이용한 개인화 추천 시스템
Recommender systems handbook
Recommender systems handbook
Information and Communication Technologies in Tourism 2018 : Proceedings of the International Conference in Jönköping, Sweden, January 24-26, 2018
Recommender systems handbook
Python을 이용한 개인화 추천시스템
챗GPT 세계미래보고서 : 새로운 부의 기회는 어떻게 오는가
X마케팅 : 새로운 고객 경험을 만드는 9가지 원칙
Information and Communication Technologies in Tourism : proceedings of the international conference in Innsbruck, Austria, 1996
Tourism demand modelling and forecasting : modern econometric approaches
Destination recommendation systems : behavioural foundations and applications
최소한의 데이터 리터러시 : 인공지능 시대를 살아갈 모든 사람을 위한 교양서
The International Journal of Internet, Broadcasting and Communication
정치서, 류기환, 이종용, 정계동Enterprise Information Systems
Xia H.,An W.,Liu G.,Hu R.,Zhang J.Z.,Wang Y.Future Internet
Santamaria-Granados L.,Mendoza-Moreno J.F.,Ramirez-Gonzalez G.The International Journal of Internet, Broadcasting and Communication
김인선, 정치서, 정태원, 강진규, 정계동관광학연구
한석호, 홍민성PLoS ONE
Wang M.Optical and Quantum Electronics
He, WeiJournal of Sensors
Xuejuan Wang관광레저연구
홍민성; 정남호; 한석호Neural Computing and Applications
Cepeda-Pacheco J.C.,Domingo M.C.Computers in Industry
Chiu M.C.,Huang J.H.,Gupta S.,Akman G.IEEE Access
Wang Y.,Hu P.Expert Systems with Applications
Kontogianni A.,Alepis E.,Patsakis C.Expert Systems with Applications
Hong M.,Koo C.,Chung N.International Journal of Data Science and Analytics
Hong M.,Chung N.,Koo C.,Koh S.Y.한국응용과학기술학회지
문석재, 유경미WILEY INTERDISCIPLINARY REVIEWS-DATA MINING AND KNOWLEDGE DISCOVERY
Nunez, Jose Carlos Sancho; Gomez-Pulido, Juan A.; Ramirez, Rafael RobinaJournal of Circuits, Systems and Computers
Feifan Li; Chuanping ZhangComputational intelligence and neuroscience
Manhua YangJournal of Circuits, Systems and Computers
Li, F.; Zhang, C.전선 / 대학원
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할 수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등을 설명한다.전선 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.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 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의는 딥러닝의 중요 연구주제 중 비지도학습의 기본 방식으로 자리 잡은 self-supervised learning 및 contrastive learning을 중심으로 진행한다. 특히 information theoretic approach를 비롯한 metric 관점의 representation learning에 대해 고찰하고 domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하며 이를 통하여 표현학습에 대해 심화된 이해를 하는 것을 목표로 한다.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 교과목은 다양한 학습 데이터를 분석하여 학습자의 흥미와 필요를 고려한 맞춤형 학습을 설계하는 방법을 소개한다. 인공지능을 활용하여 학습활동을 자동으로 분석하고 학습결과를 예측하며, 그 결과를 바탕으로 교수자와 인공지능이 적응적으로 학습을 지원하는 방안을 탐색한다. 학습 상황과 학습자의 특성에 따라 최적의 학습경험을 어떻게 설계하고 지원할 수 있는지 논의한다. 그리고 디지털 테크놀로지를 활용하여 공교육에서 학습 데이터를 수집, 분석, 활용하는 과정에서 발생하는 사회적 문제를 비판적으로 검토하고 창의적인 해결방안을 모색한다.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
본 강의는 빅데이터 관리 시스템을 다루는 대학원 수준의 과목으로, 전통적인 관계형 데이터베이스 관리 시스템(RDBMS)부터 최신 데이터 레이크하우스 아키텍처 및 벡터 데이터베이스까지 포함하여 최신 데이터베이스 시스템 설계(State-of-the-Art DBMS Design)를 중점적으로 다루게 됩니다. 또한, 클라우드 네이티브 하이브리드 트랜잭션/분석 처리(HTAP) 데이터베이스 시스템과 검색 증강 생성(RAG, Retrieval-Augmented Generation)기술을 활용한 AI 기반 데이터베이스 응용을 다룰 예정입니다. 이 강의를 통해 학생들은 다음과 같은 내용을 심도 있게 학습하게 됩니다. • 독립형 및 분산형 데이터베이스 관리 시스템(DBMS)의 최신 구현 기법 (e.g., cloud HTAP DBMSs). • OLTP(온라인 트랜잭션 처리), OLAP(온라인 분석 처리), 벡터 검색(Vector Search) 워크로드 간의 설계 트레이드오프와 데이터베이스 시스템에서의 설계 선택. • 벡터 데이터베이스(Vector Databases)개념 및 벡터 인덱싱 기술(예: HNSW, IVF, PQ, FAISS, ScaNN)과 고차원 데이터 검색을 위한 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 검색 알고리즘. • 전통적인 데이터베이스와 벡터 검색 기술의 통합, 그리고 이를 AI 기반 분석, 추천 시스템, LLM(대규모 언어 모델) 기반 검색 엔진에서 어떻게 활용할 수 있는지에 대한 이해. • 최신 데이터베이스 연구 논문을 비판적으로 분석하고, 이를 바탕으로 개선 방향을 도출하여 새로운 데이터베이스 기술을 제안하는 능력. 또한, 본 강의에서는 오픈소스 빅데이터 관리 프레임워크 및 클라우드 기반 플랫폼을 활용한 실습과 프로젝트를 통해, 현대적인 데이터베이스 시스템 및 벡터 검색 기반 아키텍처를 설계하고 최적화하는 실무 경험을 쌓을 수 있도록 합니다.전필 / 학사
첨단융합학부 신입생들의 전공탐색을 위한 공통필수과목으로서, 차세대지능형반도체, 융합데이터과학, 지속가능기술, 디지털헬스케어, 혁신신약 등 첨단융합학부의 다양한 전공 분야를 소개한다. 각 분야에서 개발되고 있는 첨단융합기술의 핵심 개념과 다양한 응용 분야를 소개하고, 각 분야에서 활약하고 있는 리더 특강을 통해 학생들이 졸업 후의 미래를 구체적으로 살펴볼 수 있도록 지도한다. 또한 융합의 의미와 필요성을 소개하고, 기술창업/연구/정책리더십 등 첨단융합전공의 미래 진로를 소개한다. 특히, 기업가 정신 및 도전의식(기술창업), 첨단융합 연구 기초(창의연구), 첨단융합기술의 사회적 가치(정책리더십) 등 각 교과인증과정으로 진출하는 데 필요한 핵심적 가치에 대해 교육한다.전선 / 대학원
본 강의는 빅데이터 관리 시스템을 다루는 대학원 수준의 과목으로, 전통적인 관계형 데이터베이스 관리 시스템(RDBMS)부터 최신 데이터 레이크하우스 아키텍처 및 벡터 데이터베이스까지 포함하여 최신 데이터베이스 시스템 설계(State-of-the-Art DBMS Design)를 중점적으로 다루게 됩니다. 또한, 클라우드 네이티브 하이브리드 트랜잭션/분석 처리(HTAP) 데이터베이스 시스템과 검색 증강 생성(RAG, Retrieval-Augmented Generation)기술을 활용한 AI 기반 데이터베이스 응용을 다룰 예정입니다. 이 강의를 통해 학생들은 다음과 같은 내용을 심도 있게 학습하게 됩니다. • 독립형 및 분산형 데이터베이스 관리 시스템(DBMS)의 최신 구현 기법 (e.g., cloud HTAP DBMSs). • OLTP(온라인 트랜잭션 처리), OLAP(온라인 분석 처리), 벡터 검색(Vector Search) 워크로드 간의 설계 트레이드오프와 데이터베이스 시스템에서의 설계 선택. • 벡터 데이터베이스(Vector Databases)개념 및 벡터 인덱싱 기술(예: HNSW, IVF, PQ, FAISS, ScaNN)과 고차원 데이터 검색을 위한 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 검색 알고리즘. • 전통적인 데이터베이스와 벡터 검색 기술의 통합, 그리고 이를 AI 기반 분석, 추천 시스템, LLM(대규모 언어 모델) 기반 검색 엔진에서 어떻게 활용할 수 있는지에 대한 이해. • 최신 데이터베이스 연구 논문을 비판적으로 분석하고, 이를 바탕으로 개선 방향을 도출하여 새로운 데이터베이스 기술을 제안하는 능력. 또한, 본 강의에서는 오픈소스 빅데이터 관리 프레임워크 및 클라우드 기반 플랫폼을 활용한 실습과 프로젝트를 통해, 현대적인 데이터베이스 시스템 및 벡터 검색 기반 아키텍처를 설계하고 최적화하는 실무 경험을 쌓을 수 있도록 합니다.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 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.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
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 / 학사
본 과목은 빅데이터를 활용하는 ML/AI/인지과학의 서비스를 개발할 때, 특히 많이 접하면서 까다로운 시계열 데이터 처리와, 파이썬 등으로 서비스를 개발을 효과적으로 할 수 있는 MLOps/DevOps 실전 가이드를 다루고자 한다. 연구 성과를 검증/공유하기 위해 패키지로 deploy하기 위한 도커/쿠버네티스 기술과 마이크로서비스 구축에 필요한 방법을 학습한다.전필 / 학사
본 과목에서는 정형 데이터와 비정형 데이터를 효과적으로 관리하고 분석하는 데에 필요한 제반 이론 및 기법을 배운다. 구체적으로, 본 과목의 전반부에서는 데이터베이스 (DB)를 기반으로 한 정보 시스템의 설계 및 구현, 그리고 DB 마이닝과 DB 기반 추천 시스템과 관련된 모형과 기법을 다루고, 후반부에서는 텍스트 데이터를 대상으로 정보 검색, 문서 분류 및 군집화를 위한 주요 이론과 방법론들을 소개한다. 아울러, 본 과목은 소개된 모형 및 기법들을 구현하여 다양한 형태의 데이터에 실적용해보는 프로젝트들을 포함하는 바, 이를 통해 실제 문제에 대한 해결 능력을 기르고, 관련된 기술적 이슈들을 경험해보는 것을 목표로 한다.전선 / 학사
탁월한 사용자 경험을 만들기 위한 서비스 디자인의 기본 원칙과 방법론을 다룬다. 사용자 조사 및 인사이트 도출, 서비스 블루프린팅, 멀티채널 경험 디자인, 프로토타이핑 및 테스트, 협업 디자인, 이해관계자 관리, 측정 및 평가의 과정이 실제 사례 연구 및 프로젝트 수업을 통해 이루어진다. 이 수업은 사용자 중심의 서비스를 기획하고 사용자 여정을 최적화할 수 있는 디자인을 목표로 한다.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
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.