최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
Classification and clustering
Go를 활용한 머신 러닝 : Go 프로그래밍 언어를 사용해 회귀분석, 분류, 클러스터링, 시계열 모델, 신경망 및 딥러닝 구현하기
Learning deep learning : theory and practice of neural networks, computer vision, nlp, and transformers using tensorflow
Handbook of research on machine learning applications and trends : algorithms, methods and techniques
일래스틱 스택을 이용한 머신러닝 : 머신러닝 피처로 데이터에서 귀중한 인사이트를 얻자
Network anomaly detection : a machine learning perspective
Machine learning in VLSI computer-aided design
머신러닝 엔지니어링 : 데이터 수집부터 특징 공학, 모델 평가, 배포, 유지보수까지
PyTorch로 시작하는 딥러닝 : 딥러닝 기초에서 최신 모던 아키텍처까지
Elements of causal inference : foundations and learning algorithms
패턴 인식과 머신 러닝
Principal Component Analysis Networks and Algorithms
Efficient learning machines : theories, concepts, and applications for engineers and system designers
Efficient processing of deep neural networks
MATLAB Deep Learning : With Machine Learning, Neural Networks and Artificial Intelligence
VLSI-SoC : research trends in VLSI and systems on chip : Fourteenth International Conference on Very Large Scale Integration of System on Chip (VLSI-SoC2006), October 16-18, 2006, Nice, France
COMPSTAT : proceedings in computational statistics, 12th symposium held in Barcelona, Spain 1996
Machine learning : an algorithmic perspective
Fundamentals of mechatronics
Operations and Supply Chain Management
Amellal A.,Amellal I.,Seghiouer H.,Ech-Charrat M.R.Chungará (Arica)
Ballester, BenjaminIEEE Access
Ryzhikov A.,Hushchyn M.,Derkach D.PROCEEDINGS OF THE VLDB ENDOWMENT
Tuli, Shreshth; Casale, Giuliano; Jennings, Nicholas R.International Journal of Data Science and Analytics
Maya S.,Ueno K.,Nishikawa T.Measurement Science and Technology
Cen Y.,Li X.,Cen G.,Cheng Z.Applied Sciences (Switzerland)
Pham T.A.,Lee J.H.,Park C.S.COMPUTERS & INDUSTRIAL ENGINEERING
Mattera, Giulio; Mattera, Raffaele; Vespoli, Silvestro; Salatiello, EmmaComputers and Electrical Engineering
Qian H.,Sun B.,Guo Y.,Yang Z.,Ling J.,Feng W.Neurocomputing
Le, T.; Vu, H.C.; Ponchet-Durupt, A.; Boudaoud, N.; Cherfi-Boulanger, Z.; Nguyen-Trang, T.제어.로봇.시스템학회 논문지
하민호; Saba Arshad; 서승원; 박태형IEEE Transactions on Automation Science and Engineering
Maggipinto M.,Beghi A.,Susto G.A.IEEE Aerospace and Electronic Systems Magazine
Ahmad Alos; Zouhair DahroujComputers and Electrical Engineering
Zhu A.,Zhao Q.,Yang T.,Zhou L.,Zeng B.Machine Learning and Knowledge Extraction
Smejkalová V.,Šomplák R.,Rosecký M.,Šramková K.Pattern Recognition
Audibert J.,Michiardi P.,Guyard F.,Marti S.,Zuluaga M.A.Machine Learning Science and Technology
Puljak E.,Pierini M.,Garcia-Saez A.Procedia Manufacturing
Susto, Gian Antonio; Terzi, Matteo; Beghi, AlessandroPattern Recognition
Giannoulis M.,Harris A.,Barra V.Computers, Materials and Continua
Wan M.,Li Q.,Yao J.,Song Y.,Liu Y.,Wan Y.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.전선 / 대학원
데이터마이닝 (Data Mining)은 대용량 데이터베이스에 존재하는 데이터 간의 관계, 패턴, 규칙 등을 찾아내고 모형화해서 의사결정을 돕고, 유용한 정보로 변환하는 일련의 과정이다. 본 강좌에서는 기술모델링과 예측모델링에 사용되는 통계학, 기계학습, 신경회로망 기법들을 공부하고, 응용 사례 연구와 패키지를 이용한 프로젝트를 수행한다.전선 / 학사
통상적으로 교통운영은 교통류에 대한 충분한 이해를 바탕으로 적절한 운영 방안을 도입하여 도로교통시설의 효율을 높이는 것을 의미한다. 이를 위해 교통류에 대한 미시적‧거시적 관점, 교통량‧속도‧밀도 등 교통류 특성 간의 관계, 교통정체의 발생 및 해소 과정 등을 이해하는 것이 중요하다. 한편, 교통수단의 다변화로 인해 기존 교통운영의 대상이었던 도로교통이 교통시스템의 한 요소로써의 역할을 맡게 되었으며, 자연스럽게 교통운영의 범위도 확대되었다. 또한, 정보통신기술의 발달이 수집 가능한 정보의 질적‧양적 성장을 촉진하였지만, 불완전한 정보가 수집되거나 교통시스템 내‧외적 요인으로 인해 불확실한 예측이 이뤄지는 경우도 발생하였다. 최근 들어 이를 해결하기 위해 인공지능(Artificial Intelligence, AI)을 활용한 사례들이 등장하고 있다. 따라서 이 과목에서는 교통류분석, 교통신호제어 등의 배경이 되는 교통 관련 이론에 대해 학습함과 더불어 교통운영 분야 내 다양한 AI 적용 사례들을 소개하면서 기계학습(Machine Learning), 딥러닝(Deep Learning), 생성형 AI(Generative AI) 등 연관된 AI 기법을 살펴본다. 아울러 자율주행차량 제어, 대중교통 및 모빌리티 시스템 운영 등 교통운영의 확대된 범주 내에 포함되는 교통시스템에 대해서도 다룸으로써 폭넓은 지적 기반을 제공할 수 있을 것으로 기대된다.전선 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.전선 / 학사
본 강좌는 딥러닝 등 기계학습 기반 인공지능 및 관련 분야에 관심있는 수강생을 대상으로 하는 학부 교과목으로 인공지능 분야의 핵심이 되는 기계학습의 개념 및 응용을 소개하고, 주요 기계학습 알고리즘 및 모델들에 대해 학습한다. 과제 및 프로젝트를 통해 최신 기계학습 기법의 심층적 이해와 실제 구현 기회를 부여한다. 주요 내용으로는 학습이론, 선형모델 (선형회귀, 선형분류, Logistic 회귀), Support Vector Machine, 인공신경망, 순차모델, 기초 딥러닝 모델 (MLP, CNN, RNN), 앙상블 학습 등을 포함한다. 선수과목: 데이터구조 혹은 알고리즘, 선형대수, 확률변수, 프로그래밍 방법론전필 / 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 / 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 / 대학원
이 수업은 인공지능과 기계학습의 이론적 기초를 다루며, 특히 의료 데이터의 다양한 특징에 맞는 학습 및 추론 알고리즘을 디자인하기 위해 필요한 공학적 및 신호처리 원리를 이해하는 데 초점을 맞춘다. 수업에서는 전통적인 기계학습 기법부터 최신 인공지능 기법까지의 원리를 배우고, 이를 통해 수강자가 주어진 데이터를 바탕으로 알고리즘을 설계하고 공학적으로 해석할 수 있는 능력을 키우는 것을 목표로 한다. 의료 데이터는 단백질과 분자 (그래프), 유전체/전사체 (텍스트), 혈당/뇌파 (시계열 신호), 의료 영상 (다차원 영상), 환자 메타 정보 (테이블), 대사 상호 작용 정보 (다차원 행렬) 등 매우 다양한 형태를 가지고 있다. 이러한 다양한 데이터를 컴퓨터가 이해할 수 있는 형식으로 변환하는 과정에서 비선형 함수의 학습이 중요한 역할을 하며, 이는 의료 인공지능의 핵심 신호처리 원리 중 하나이다. 본 수업은 일반적인 기계학습 및 인공지능의 공학적 기초 외에도, 이처럼 의료 데이터의 특성을 반영한 대표적이고 특징적인 기계학습 및 인공지능 기술을 추가적으로 학습한다. 이를 통해 수강자는 일반 데이터 전문 분석가를 넘어선 의료 데이터 전문 분석가로 성장할 수 있는 역량을 갖추는 것을 목표로 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
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.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
이 교과목은 대학원생들을 대상으로, 현재 사용되고 있는 최신 암호 알고리즘을 설명한다. 이 과목은 다음과 같이 두 부분으로 구성된다: 첫째, DES, IDEA, RC5, RC6 와 같은 블록 암호 알고리즘들을 각각 키(key) 생성, 암호화, 복호화 하는 과정으로 설명한다. 둘째, 전자 서명에 근거한 다양한 인증 기법을 소개한다. DMDC, MD5, SHA-1, HMAC 와 같은 다양한 해쉬(hash) 함수를 사용하여 문장을 축약하고 인증하는 방식을 제시한다.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 / 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
본 교과목은 기계학습과 딥러닝 기술의 학문적 기반을 바탕으로 화학생물공학 분야의 복잡한 문제 해결을 위한 기법을 익히기 위한 과목이다. 이 과목에서 지도 및 비지도 학습, 의사결정트리, 선형 회귀, 로지스틱 회귀, 신경망, 재료 개발, 열역학, 반응공학, 이동현상, 그리고 공정 최적화의 응용을 다룬다. 또한 최종 프로젝트를 통해 실제 문제를 해결하는 데 필요한 이러한 기술을 적용하는 것을 강조하며, 도메인 지식을 활용하여 효과적인 모델을 개발하는 방법을 학습할 수 있도록 유도할 예정이다. 수업의 선행 조건으로 화학생물공학의 기본적인 지식과 Python 프로그래밍 경험이 필요하며. 강의 내용을 바탕으로 학생들이 화학생물공학에서 빠르게 진화하는 인공지능 분야의 선도자가 될 수 있는 역량 강화에 목표를 둔다.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
본 강좌는 다양한 머신러닝기법을 활용한 기후환경데이터 분석 방법을 소개한다. Linear regression, Logistic regression, Support Vector Machine (SVM), Random Forest, XGBoost, LightGBM 등과 같은 지도 학습 기법에 더불어,K-mean clustering, Principal Component Analysis, Singular Value Decomposition,Self-Organizing Map (SOM) 등의 비지도 학습 머신러닝 기법들의 구동 원리를 파악할 수 있는 이론 강의와, 이 중 일부를 활용한 실습 과정으로 구성된다. 다양한 머신러닝 기법 기반의 데이터 분석 방법을 비교함으로서 머신러닝 기법들의 장단점을 파악할 수 있도록 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 / 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 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.