Your Browsing History
There is no data.
정치서, 이종용, 정계동
2020 / The International Journal of Internet, Broadcasting and Communication
There is no data.
loading...
This study proposes an adaptive recommendation system using deep learning to categorize and recommend tourism types suitable for user personality types. The proposed system consists of three layers based on its core role for efficiency and ease of maintenance. By utilizing deep learning, the system enhances scalability and flexibly delivers data by connecting user personality types with tourism types.
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
최소한의 데이터 리터러시 : 인공지능 시대를 살아갈 모든 사람을 위한 교양서
Destination recommendation systems : behavioural foundations and applications
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.WILEY INTERDISCIPLINARY REVIEWS-DATA MINING AND KNOWLEDGE DISCOVERY
Nunez, Jose Carlos Sancho; Gomez-Pulido, Juan A.; Ramirez, Rafael Robina한국응용과학기술학회지
문석재, 유경미Journal 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
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
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.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 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 / 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 / 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.전선 / 학사
본 과목은 AI의 이론적 개념들을 이해하고, 실습을 통해 빅데이터 분석 및 예측 모델 생성, 분류 작업과 같은 AI 관련 역량을 갖도록 한다.전선 / 학사
본 교과목은 소비자전문가로 성장할 학생들을 대상으로 소비자 전문성을 함양하고 지역사회에서 진행되는 다양한 소비자활동과 그 역할을 이해할 수 있는 기회를 제공한다. 강좌는 소비자활동 관련 강의, 지역사회 연계 프로젝트, 결과평가 및 공유활동으로 구성된다. 지역사회 연계 프로젝트는 정부 및 공공기관, 소비자 비영리단체, 전문기관, 연구기관 등에서 진행되는 소비자교육, 소비자상담 및 피해구제, 소비자연구 등의 프로젝트에 참여하는 것이다. 본 교과목을 통하여 지역사회에서 발생하고 있는 소비자 이슈를 심층적으로 이해하고 현장 기반의 문제해결 능력을 습득할 수 있다.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 / 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 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 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
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.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 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.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
이 과목은 인간의 정보추구행동을 분석하는 다양한 방법론을 소개하여 향후 학생 본인의 전공분야를 선택하는데 참조할 수 있도록 한다. 특히 정보의 사용성 조사나 사용자 경험조사 방법을 중점으로 데이터의 수집, 실험설계, 데이터 분석 및 해석방업 등을 취급한다.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.