최근 확인한 콘텐츠
loading...
본 논문은 기존 뉴런 기반 심층 신경망 모델을 스파이킹 뉴런으로 대체하여 스파이킹 심층 신경망으로 변환하는 방법을 제안한다. 기존 신경망은 생물학적 메커니즘을 고려하지 않은 활성화 함수를 사용하는 반면, 스파이킹 신경망은 실제 뉴런의 생물학적 메커니즘과 유사하게 동작한다. 제안하는 변환 도구는 VGGNet, ResNet, SSD, YOLO와 같은 심층 구조에도 적용 가능하다.
Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence
텐서플로 2와 케라스로 구현하는 딥러닝 : 회귀, CNN, GAN, RNN, NLP, AutoML까지 딥러닝의 모든 것
이것이 우리에게 딱 맞는 딥러닝 with 텐서플로 : 알짜배기 예제로 배우는 텐서플로와 딥러닝의 모든 것
파이썬으로 배우는 대규모 머신 러닝 : 대규모 데이터 분석과 처리를 위한 다양한 머신 러닝 기법 활용
텐서플로 入門 : 예제로 배우는 텐서플로
인공지능 속 수학
Pulsed neural networks
텐서플로를 이용한 고급 딥러닝
Neural nets : a theory for brains and machines
프랙티컬 머신 러닝 : 실무에 직접 적용할 수 있는 빅데이터 환경을 고려한 첨단 현대 머신 러닝 기술의 구현
(텐초의) 파이토치 딥러닝 특강 : CNN부터 GAN까지 15가지 신경망 예제 + 실무 노하우로 익히는 문제풀이 해법서
케라스 2.x 프로젝트 : 실전 딥러닝 모델 구축과 훈련 9가지 프로젝트
파이토치 1.X로 시작하는 딥러닝 : 파이썬을 사용한 딥러닝 기법 및 최신 신경망 아키텍처 구현
(머신러닝을 활용한) R 데이터 분석
친절한 딥러닝 수학 : 인공 신경망 이해를 위한 기초 수학
심층 강화학습 인 액션 : 기본 개념부터 파이썬 기반의 최신 알고리즘 구현까지
(자연어처리를 위한) 딥러닝
미술관에 GAN 딥러닝 실전 프로젝트 : GAN으로 쓰기, 그리기, 게임하기, 작곡하기
스마트미디어저널
이정수, 허준영Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences
Indranil Chakraborty; Amogh Agrawal; Akhilesh Jaiswal; Gopalakrishnan Srinivasan; Kaushik RoyPhilosophical Transactions: Mathematical, Physical and Engineering Sciences
Chakraborty, Indranil; Agrawal, Amogh; Jaiswal, Akhilesh; Srinivasan, Gopalakrishnan; Roy, KaushikApplied Intelligence
Tianqi Wang; Qianzi Shen; Xuhang Li; Yanting Zhang; Zijian Wang; Cairong YanIEEE Transactions on Cognitive and Developmental Systems
Zhao Baixin; Huajin Tang; Ma De; Xiaolei Zhu한국차세대컴퓨팅학회 논문지
아셀 캠바이, 김수현Neural networks : the official journal of the International Neural Network Society
Wang Y; Liu H; Zhang M; Luo X; Qu HNeural Networks
Taherkhani A.,Belatreche A.,Li Y.,Cosma G.,Maguire L.P.,McGinnity T.M.차세대융합기술학회논문지
이영석NEURAL COMPUTATION
Ju, Xiping; Fang, Biao; Yan, Rui; Xu, Xiaoliang; Tang, HuajinNeural Processing Letters
Abusnaina, A.A.; Abdullah, R.; Kattan, A.Neural Computing and Applications
Liu J.,Jiang D.,Luo Y.,Qiu S.,Huang Y.INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
Chan Sik Han; Keon Myung LeeACS NANO
Kim, Youngmin; Baek, Ji Hyun; Im, In Hyuk; Lee, Dong Hyun; Park, Min Hyuk; Jang, Ho WonIranian Journal of Science and Technology, Transactions of Electrical Engineering
Sandipan Bhowmick; Ashim Saha; Suman Deb; Anurag De; Ankit SrivastavaIEEE Journal on Emerging and Selected Topics in Circuits and Systems
Ho N.D.,Chang I.J.Nature Machine Intelligence
Yin B.,Corradi F.,Bohté S.M.Physical Review Applied
Aparajita Banerjee; Kaushik Roy; Abhronil SenguptaBiomedical Engineering Letters
Park, Sung Soo; Choi, Young-SeokInternational Journal of Neural Systems
Mohammad Reza Ahmadzadeh; Farzaneh Shayegh; Parvaneh Rashvand전선 / 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
심층신경망은 현대의 인공지능 혁신의 중심이며 공학, 과학, 그리고 응용수학 전반에 폭 넓게 활용되고 있다. 이 과목은 심층신경망의 수학적 기반이론을 배운다. 최적화의 기초, stochastic gradient descent의 수렴 정리, 재생핵 힐베르트 공간, multilayer perceptron, 자동 미분법, 콘볼류션 신경망, 잔차 네트워크, regularization, 데이터 증강, universal approximation theorem, 생성모델을 다룬다.전선 / 대학원
인공신경망 시스템은 인간 두뇌의 구조를 모방한 생물학적 정보처리시스템으로서 비교적 단순한 기능을 가진 다수의 연산소자들로 구성되어 있다. 이 과목에서는 신경망의 수학적 이론과 실제 응용에 관해 학습한다. 최신 신경망 모델의 다양한 구조를 살펴보며 감독학습, 무감독 학습, 강화 학습을 수행하기 위한 연결론적 또는 확률적 학습 알고리즘에 대하여 공부한다.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
인공신경망 시스템은 인간 두뇌의 구조를 모방한 생물학적 정보처리시스템으로서 비교적 단순한 기능을 가진 다수의 연산소자들로 구성되어 있다. 이 과목에서는 신경망의 수학적 이론과 실제 응용에 관해 학습한다. 최신 신경망 모델의 다양한 구조를 살펴보며 감독학습, 무감독 학습, 강화 학습을 수행하기 위한 연결론적 또는 확률적 학습 알고리즘에 대하여 공부한다.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
이 수업에서는 인간 언어의 발화와 이해에 관련된 신경 메커니즘에 대한 개요를 제공합니다. 통사론, 의미론과 같은 고전적 언어학을 뛰어 넘어, 언어의 발화와 이해, 그리고 여타 다른 인지 기능과의 연계성을 바탕으로 인간의 언어 활동에 대한 다양한 뇌신경과학적 측면을 다룹니다. 따라서 최신의 기능적 뇌영상 방법(특히 functional MRI)을 통한 연구들을 중점적으로 살펴보고 신경학적 및 발달적 언어 장애의 사례는 물론 거대언어모델(Large Language Model: LLM)과 관련 된 연구도 함께 공부합니다. 이 수업은 특히 뇌에서의 언어 처리, 그리고 언어 처리 이론과 뇌 기능 사이의 관계에 바탕을 두고 다양한 신경언어학적 연구를 공부하게 될 것입니다.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
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
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 / 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
본 과목은 뇌에서 뉴론 세포의 작동과 시냅스에서 신호 전달의 원리를 소개한다. 단일 뉴론 세포, 뇌 세포/영역 간의 회로, 뇌 활동의 연구를 위한 방법론과 모델등이 소개되며, 동작, 시각, 기억, 감각의 신경학적 원리를 보여주는 주제들과 첨단 신경보철 연구등이 다루어진다.전선 / 대학원
본 과목은 뇌에서 뉴론 세포의 작동과 시냅스에서 신호 전달의 원리를 소개한다. 단일 뉴론 세포, 뇌 세포/영역 간의 회로, 뇌 활동의 연구를 위한 방법론과 모델등이 소개되며, 동작, 시각, 기억, 감각의 신경학적 원리를 보여주는 주제들과 첨단 신경보철 연구등이 다루어진다.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
신경과학특론에서는 신경생리학적 뇌 기능, 두뇌의 기능을 담당하는 각 시스템들과 신경회로에 대해 공부하게 된다. 이와 함께 감정, 꿈, 생체시계, 언어 등의 고등기능과 뇌 기능과 시스템 문제로 야기되는 신경정신질환에 대한 내용도 포함한다. 본 강좌를 통해 어떻게 외부정보가 뇌와 신경세포에서 분석, 종합되어 우리가 외부세계를 지각하며 이를 근거로 결정을 내리고 행동을 실행하는 지에 대해 이해하고자 한다. 더 나아가 본 강좌에서 소개되는 최신 뇌 연구들을 바탕으로 학생들은 각 주제에 대한 심화학습을 수행하고, 학생 스스로 신경과학에서 연구해야할 중요한 주제와 그 핵심질문을 찾는데 도움을 주고자 한다. 학생들의 심화학습을 유도하기 위해서 신경과학에 관련된 최신 주제에 대한 발표를 수행할 수 있으며, 각 분야에서 스스로 찾은 중요 질문에 대한 논리적 주장과 미래연구계획을 담은 리포트를 작성한다. 심화학습에 대한 발표 및 핵심질문에 대한 논리성과 자료의 충실성에 대해서 평가하며, 시험을 통해 지식과 논리성을 평가할 수 있다.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
본 교과목에서는 신경계의 구조와 기능을 다루며 대학원 과정에서 공부할 신경과학 지식의 기초를 닦는다. 첫째, 신경계를 구성하는 뉴런의 구조와 기능을 먼저 살펴보고 뉴런들이 시냅스를 통하여 어떻게 신호를 전달하는지를 분석한다. 둘째, 감각과 운동을 조절하는 시스템들의 구조와 기능을 알아본다. 셋째, 신경계를 통하여 나타나는 감정, 언어, 수면, 사고 등과 같은 고등한 인지적 기능들에 대해 탐구한다. 넷째, 신경계의 구조가 학습 및 주변환경에 의해 변화하는 과정을 탐구한다.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
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
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.