최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 정비 자료의 디지털 변환을 위해 CNN과 FCN으로 구성된 영상 인식 모델을 제안합니다. 제안하는 모델은 테이블 이미지 내의 심볼을 인식하여 데이터 기반 방법으로 문제 해결을 가능하게 하며, ResNet 컴포넌트를 활용하여 정확도를 높였습니다. 실험 결과, CNN과 FCN 모델은 각각 99.2%와 97.7%의 정확도를 보였습니다.
파이썬과 엑셀로 시작하는 딥러닝 : 딥러닝의 알고리즘 원리부터 파악하기
이것이 우리에게 딱 맞는 딥러닝 with 텐서플로 : 알짜배기 예제로 배우는 텐서플로와 딥러닝의 모든 것
(코딩셰프의) 3분 딥러닝 케라스맛
Deep Learning for Biometrics
Applications of pulse-coupled neural networks
혼자 만들면서 공부하는 딥러닝 : 이미지텍스트 분류 및 요약, 전이 학습, 트랜스포머까지 20개 딥러닝 모델 구현하기
딥러닝 초보자를 위한 엔비디아 가이드북 : 엔비디아 현업 아키텍트가 저술한 검증된 딥러닝 입문서
Neural Information Processing : 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part V
Introduction to graph neural networks
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
Machine learning and data mining in pattern recognition : first international workshop, MLDM'99, Leipzig, Germany, September 16-18, 1999 : proceedings
Deep learning for remote sensing images with open source software
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
Artificial neural networks -- ICANN 2006 : 16th international conference, Athens, Greece, September 10-14, 2006, proceedings
텐서플로 2와 케라스로 구현하는 딥러닝 : 회귀, CNN, GAN, RNN, NLP, AutoML까지 딥러닝의 모든 것
(텐초의) 파이토치 딥러닝 특강 : CNN부터 GAN까지 15가지 신경망 예제 + 실무 노하우로 익히는 문제풀이 해법서
텐서플로로 배우는 딥러닝
Engineering applications of bio-inspired artificial neural networks ; International Work-Conference on Artificial and Natural Neural Networks, IWANN'99, :proceedings
Machine learning for medical image reconstruction : 4th International Workshop, MLMIR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings
SCIENTIFIC REPORTS
Zhu, Yitan; Brettin, Thomas; Xia, Fangfang; Partin, Alexander; Shukla, Maulik; Yoo, Hyunseung; Evrard, Yvonne A.; Doroshow, James H.; Stevens, Rick L.PLoS ONE
Neto L.M.,da Silva Neto S.R.,Endo P.T.IEEE Signal Processing Letters
Prasad, S.; Paul, R.; Kamat, M.Neural Computing and Applications
Damri, Amit; Last, Mark; Cohen, NivInternational Journal of Computational Intelligence Systems
Chen J.,Jiang J.,Guo X.,Tan L.IEEE ACCESS
Zeimarani, Bashir; Fernandes Costa, Marly Guimaraes; Nurani, Nilufar Zeimarani; Bianco, Sabrina Ramos; De Albuquerque Pereira, Wagner Coelho; Costa Filho, Cicero Ferreira FernandesSensors (Basel, Switzerland)
Bajić F.,Orel O.,Habijan M.Neurophotonics
Gil E.M.,Steelman Z.A.,Sedelnikova A.,Bixler J.N.ACM COMPUTING SURVEYS
Goncalves Dos Santos, Claudio Filipi; Papa, Joao PauloComputers in Biology and Medicine
Yüzkat M.,Ilhan H.O.,Aydin N.MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION - MICCAI 2019, PT II
Xu, Zhenlin; Niethammer, MarcIEEE Transactions on Industrial Electronics
Block S.B.,Da Silva R.D.,Dorini L.B.,Minetto R.Knowledge-Based Systems
Dong X.,Taylor C.J.,Cootes T.F.Journal of Electronic Imaging
Abdelrahman G. Abubakr; Igor Jovančević; Nour Islam Mokhtari; Hamdi Ben Abdallah; Jean-José OrteuIEEE Geoscience and Remote Sensing Letters
Alexandre X. Falcão; Italos Estilon de SouzaNeurocomputing
Peng Y.,Hankins R.,Yin H.IEEE Sensors Letters, Sensors Letters, IEEE, IEEE Sens. Lett.
Chalumuri, A.; Kune, R.; Kannan, S.; Manoj, B.S.Medical Physics
Huber N.R.,Missert A.D.,Gong H.,Leng S.,Yu L.,McCollough C.H.IEEE Geoscience and Remote Sensing Letters
De Souza I.E.,Falcao A.X.IEEE Transactions on Automation Science and Engineering
Dong X.,Taylor C.J.,Cootes T.F.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
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 Networks전필 / 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
현실에서 발생하는 최적화 문제는 많은 경우, 효율적인 알고리즘을 갖지 않는 NP-hard 문제이다. 본 강의에서는 우선 이러한 문제를 식별하는데, 기본이 되는 최적화 계산론, 다항 변환 등을 도입한다. 그리고 NP-hard 문제의 좋은 해를 효율적으로 구하는 다양한 접근법을 다룬다.전선 / 대학원
본 교과목은 단순한 질의응답을 넘어, 스스로 목표를 설정하고, 도구를 사용하며, 복잡한 과업을 자율적으로 수행하는 ‘에이전트(Agentic)' AI의 설계 원리와 구현 방법론을 심층적으로 다룬다. 기존의 LLM(Large Language Model)이 가진 한계를 극복하고, LLM을 ‘추론 엔진'으로 활용하여 실제 세계와 상호작용하는 지능형 시스템을 구축하는 데 초점을 둔다. 수강생들은 단일 에이전트의 핵심 구성 요소인 사고-행동-관찰(Reasoning-Acting-Observation) 루프, 동적 도구 사용(Tool Use), 장단기 기억(Memory) 메커니즘을 학습한다. 나아가 여러 에이전트가 협력하여 인간의 개입을 최소화하면서 복잡한 문제를 해결하는 멀티 에이전트 시스템(Multi-Agent System)의 설계 패턴(예: 계층적, 협력적)과 통신 프로토콜을 배운다. LangChain, AutoGen, CrewAI와 같은 최신 프레임 워크를 활용한 실습을 통해, 에이전트 아키텍처 설계부터 정교한 프롬프트 체이닝, 실행 루프 구현까지의 전 과정을 경험하며, 차세대 AI 애플리케이션을 개발할 수 있는 실전 역량을 배양하는 것을 목표로 한다.전선 / 대학원
본 교과목은 단순한 질의응답을 넘어, 스스로 목표를 설정하고, 도구를 사용하며, 복잡한 과업을 자율적으로 수행하는 ‘에이전트(Agentic)' AI의 설계 원리와 구현 방법론을 심층적으로 다룬다. 기존의 LLM(Large Language Model)이 가진 한계를 극복하고, LLM을 ‘추론 엔진'으로 활용하여 실제 세계와 상호작용하는 지능형 시스템을 구축하는 데 초점을 둔다. 수강생들은 단일 에이전트의 핵심 구성 요소인 사고-행동-관찰(Reasoning-Acting-Observation) 루프, 동적 도구 사용(Tool Use), 장단기 기억(Memory) 메커니즘을 학습한다. 나아가 여러 에이전트가 협력하여 인간의 개입을 최소화하면서 복잡한 문제를 해결하는 멀티 에이전트 시스템(Multi-Agent System)의 설계 패턴(예: 계층적, 협력적)과 통신 프로토콜을 배운다. LangChain, AutoGen, CrewAI와 같은 최신 프레임 워크를 활용한 실습을 통해, 에이전트 아키텍처 설계부터 정교한 프롬프트 체이닝, 실행 루프 구현까지의 전 과정을 경험하며, 차세대 AI 애플리케이션을 개발할 수 있는 실전 역량을 배양하는 것을 목표로 한다.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.전선 / 대학원
본 강좌는 영상 데이터를 분석하기 위한 수학적 모델링 기술 및 기계 학습 기술 등을 강의한다. 영상 데이터 분석에 널리 이용되는 기본적인 기계 학습, 특히 딥 러닝 기법을 집중적으로 학습하고, 이러한 기술이 다양한 영상 분석 문제에 어떻게 적용되는지 살펴본다. 이론 강의뿐만 아니라 실습과 프로젝트를 통하여 영상 데이터 분석에 필요한 다양한 기술을 학습한다. ● 기계학습 기초 리뷰 (지도학습, 비지도학습, 준 지도학습) ● 합성곱 신경망 (컨볼루션 신경망) ● 순환 신경망 (리커런트 신경망) ● 이미지 데이터 처리 기법 (이미지 분류, 물체 인식, 이미지 분할) ● 비디오 데이터 처리 기법 (비디오 분류, 행동 인식, 영상 내 검색, 물체 추적) ● 다면성 데이터 처리 (시청각-언어 정보 처리) ● 생성적 모델링전선 / 학사
AI를 이용하여 주차장 게이트에서 번호판을 인식후 주차장 게이트를 Open/deny 하는 과정을 구현한다. 자동차 번호판을 인식하기 위해 object-detection, Text Detection, OCR, Image Captioning, Generative Model 등 다양한 컴퓨터 비전 에 사용되는 딥러닝 모델들의 개요에 대해 배우고, GPU 서버를 이용하여 이 과정들을 구현한다.전선 / 학사
수많은 기업과 조직들은 머신러닝과 AI를 빅데이터에 적용하여 의사결정을 내리고 가치를 창출하고 있습니다. 하지만 그 과정에서 점점 커져가는 데이터와 점점 복잡해져 가는 알고리즘을 의사결정자인 사람이 이해하는 것이 필수적으로 선행되어야 합니다. 데이터 시각화는 데이터와 알고리즘을 사람이 직관적으로 이해할 수 있도록 도와주는 강력한 도구입니다. 이 수업을 통해 학생들은 다양한 유형의 데이터를 요약하고 시각적으로 표현하여 다른 사람과 효과적으로 커뮤니케이션 할 수 있는 방법들에 대해서 배울 것입니다.전선 / 대학원
디지털 영상 처리 및 분류를 통한 원격탐사 위성영상으로부터 추출 가능한 지리정보의 효과적인 판독 및 분류 기법을 습득하고 실제 실험 프로젝트를 통하여 위성영상의 판독 능력을 배양한다.전선 / 대학원
치과의료는 4차 산업혁명 기술과의 융합을 통해 디지털 덴티스트리(Digital dentistry) 기술로 발전이 가속화되고 있음. 환자의 디지털 파노라마 영상, 콘빔CT(CBCT) 영상, 3D 구강스캔 및 3D 안면스캔 등의 디지털 데이터를 획득(Scanning), 계획(Planning)/시뮬레이션(Simulation)과 즉시적 디지털 제작(Direct Digital Manufacturing, DDR) 과정을 거쳐서 치과환자 진단/치료에 바로 적용됨. 본 강의에서는 딥러닝(deep learning) 등 다양한 인공지능 알고리즘에 대한 이해를 바탕으로, SMART 디지털 덴티스트리(Digital dentistry) 구현을 위한 치과질환 자동진단, 환자맞춤형 치료계획 자동화, 및 치과수술 시뮬레이션 지능화 등의 솔루션 등에 대해 수업함.전선 / 대학원
이 과목은 보건의료 영역에서 컴퓨터를 활용한 텍스트 분석을 다룬다. 보건의료 영역에는 여러 종류의 언어 자료가 존재한다. 사람들이 온라인 공간에서 여러 질병에 대해 던지는 질문들, 보건의료 전문가들의 연구들, 질병과 건강에 대한 신문기사들이 그 예다. 이들로부터 정보를 체계적이고 과학적으로 추출할 수 있다면, 보건의료에서 다양한 방식으로 활용할 수 있다. 최근 많이 사용되고 있는 컴퓨터를 활용한 텍스트 분석은 이런 작업에 새로운 가능성을 제시한다. 본 과목에서는 여러 가지 컴퓨터를 활용한 텍스트 분석 방법을 학습하고, 보건의료 영역 자료에 적용하는 것을 실습한다.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
컴퓨터그래픽스 전반에 걸쳐 기본적인 개념들을 설명한다. 컴퓨터 그래픽스의 기본적인 렌더링 파이프라인, 물체들을 표현하는 여러 가지 방법, 빛을 나타내는 방법, 레이트레이싱, 볼륨렌더링 등의 특수한 렌더링 방법, 그림자나 질감을 나타내는 방법에 대해서 개론 형식으로 강의한다.전선 / 학사
이 강의에서는 실질적 문제해결을 위한 다양한 자료 분석 방법론의 이해와 적용을 경험한다. 해결하고자 하는 문제의 구체화를 포함하여, 데이터의 수집 및 정리, 탐색적 데이터분석, 시각화, 통계적 추론 및 예측 그리고 의사결정의 핵심 원리를 배운다. 정형 데이터뿐만 아니라 비정형 데이터(텍스트 데이터, 공간 데이터, 네트워크 데이터) 분석 방법도 다루며, 이러한 데이터에 적합한 시각화 및 분석 기법을 학습한다. 학생들은 다양한 데이터의 구조를 이해하고 적절한 자료 분석 방법을 선택하며, 실습을 통해 배운 내용을 실제 문제에 적용하여 해결하는 전 과정을 경험한다. 이를 통해 문제해결 능력과 실무에서 활용 가능한 분석 역량을 효과적으로 향상시킨다.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 / 학사
통계학, 인공지능, 컴퓨터공학의 도구를 총체적으로 사용하는 데이터마이닝은 기존의 과학 및 공학 분야 뿐 아니라 생산, 마케팅, 금융 등과 같은 비즈니스 분야에도 활발히 사용되고 있다. 본 강좌에서는 데이터마이닝의 기본적인 문제인 클러스터링, 분류, 연관분석 등과 해당 기법들을 소개한다. 또한, 실제 비즈니스에서 데이터마이닝이 사용되는 배경 및 사례를 공부한다. 생산, 마케팅, 금융 분야의 실제 데이터를 사용하여 마이닝을 수행하는 프로젝트를 함으로써 이들 분야에 있어서의 데이터마이닝의 특성을 이해하고 문제해결능력을 제고하고자 한다.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
데이터 시각화는 특히 최근 몇 년간 컴퓨팅 기술의 발전으로 인해 데이터의 크기와 복잡성이 크게 증가한 의료 분야에서 의사 결정을 지원하기 위해서 사용될 수 있는 유용한 기술이다. 본 수업에서는 기본적인 차트와 같은 시각화 기법에서부터 복잡한 인터랙티브 시각화에 이르기까지 다양한 데이터 시각화 기술에 대해서 포괄적으로 다룬다. 기술적으로는 파이썬과 자바스크립트를 핵심적인 프로그래밍 언어로 가르치고, MIMIC(Medical Information Mart for Intensive Care) 데이터를 활용하여 학생들이 실제 의료 데이터와 클라우드 컴퓨팅을 사용하여 데이터 시각화 시스템을 제작하는 경험을 할 수 있도록 가르친다. 본 수업에서는 강의와 그룹 프로젝트가 포함되어 있으며, 그룹 프로젝트에서는 의료 분야에 초점을 맞춘 인터랙티브 웹 기반 데이터 시각화 시스템을 개발해 보는 것을 목표로 한다. 이 과정에서 학생들은 데이터 시각화에 대한 이론적 지식을 의료 도메인의 도전적 과제들을 해결하는데 적용해 보는 기회를 가진다. 본 수업을 통해서 학생들은 의료 도메인의 데이터를 시각화하는 기술을 습득할 수 있다.