최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
이순영, 양희정, 김가원, 정해관, 최보율
2016 / Epidemiology and Health
정선혜, 노윤호, 윤정현, 이은혜, 김성헌, 육지현, 김유미, 김민정
2017 / 대한영상의학회지
Hwang, Taehyun; Cho, Duckhyung; Kim, Jinhyun; Kim, Jaewon; Lee, Sangheon; Lee, Byungho; Kim, Kyung Hwan; Hong, Seunghun; Kim, Chunjoong; Park, Byungwoo
2016 / Nano Energy
Yu S.,Chen Y.,Xiang Y.,Lin H.,Wang M.,Ye W.,Zhang P.,Chen H.,Lin G.,Zhu Y.,Chen L.,Zhang J.
2021 / Phytotherapy Research
데이터가 존재하지 않습니다.
loading...
본 논문은 인지 무선 통신에서 제한된 학습 데이터로 주 사용자의 신호를 효과적으로 감지하기 위해 전이 학습 기반의 합성곱 신경망 모델을 제안한다. 동적 시간 굽힘을 통해 변조 신호 간 유사성을 활용하여 학습 데이터 부족 문제를 해결하고, 우수한 성능의 신호 센싱 모델을 구현하는 것을 목표로 한다.
Artificial Intelligence for Communications and Networks : Second EAI International Conference, AICON 2020, Virtual Event, December 19-20, 2020, Proceedings
인지무선통신 =
Robust signal processing for wireless communications
미디어 인공지능 : 영상 분야의 딥러닝 활용을 중심으로
Back propagation : theory, architectures, and applications
그림으로 배우는 딥러닝
데이터 마이닝 : 개념과 기법
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
Combinatorial optimization in communication networks
Detection theory : applications and digital signal processing
Simplified robust adaptive detection and beamforming for wireless communications
The best of the best : fifty years of communications and networking research
케라스로 구현하는 딥러닝과 강화학습 : 신경망 기초부터 CNN, RNN, GAN, 단어 임베딩, 강화학습 배우기
첫 딥러닝 실무 : 딥러닝을 위한 데이터 전처리부터 모델 가속화까지
Applications of Machine Learning
(혁펜하임의) Easy! 딥러닝 : 무엇부터 시작해야 할지 막막한 사람들을 위한 딥러닝 기초 이론 입문서
Adaptive signal processing in wireless communications
Signal analysis and prediction
Signal processing techniques for knowledge extraction and information fusion
Handbook on array processing and sensor networks
Zheng, Shilian; Chen, Shichuan; Qi, Peihan; Zhou, Huaji; Yang, Xiaoniu · 2020
CHINA COMMUNICATIONS
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
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
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
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 학사
본 강의에서는 Digital Signal Processing의 전반인 이론과 디지털 필터를 포함한 디지털 시스템의 설계를 다룬다. 전반부에서는 디지털 신호와 시스템의 기초, z-변환, 샘플링을 복습, 심화학습하며 후반부에서는 디지털 신호처리를 위한 여러 회로(필터), 필터 설계, 주파수 영역에서의 신호처리, 푸리에 변환의 고속계산 방법(Fast Fourier Transform), 간단한 스펙트럼 분석에 관한 학습을 한다. 디지털 필터와 시스템에 관한 내용에서는 여러 알고리즘을 이용하여 하드웨어 구현에 적합한 디지털 필터와 주파수 영역에서의 FFT를 이용한 컨벌루션 시스템을 설계해 본다.전선 / 대학원
센서 정보를 통하여 공간 정보를 획득하고 구성하는 기술은 스마트 팩토리나 생산 설계에 있어 중요한 요소 기술이다. 이 강의는 동시적 위치 추정 및 지도 작성법으로 알려진, 센서 기반 위치 정보 추정과 공간 정보 구성에 대한 내용을 다룬다. 특히 센서가 탑재된 대상이 고정적이지 않은 무인이동체의 센싱을 학습하여, 위치 추정과 공간 정보 추정의 연결성을 배우고, 이를 통하여 스마트 팩토리나 자율 주행에 관심이 있는 학생들에게 관련 기초 지식과 활용 사례를 제공한다.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
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
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 / 대학원
정보화 사회의 도래와 함께 이동 통신의 중요성은 나날이 증대되고 있다. 본 과목에서는 이러한 흐름에 발맞추어 이동 통신의 기반이 되는 물리계층 과 상위계층을 이해하는데 목적을 둔다. 본 과목에서는 디지털 통신의 기초에서 출발하여, 무선 통신 환경의 특징을 알아보고, 2,3 세대 통신의 기본이 되는 CDMA를 통해 다중 사용자 환경을 이해해본다. 나아가 이동 통신의 용량 확장과 성능 개선을 위하여 많은 가능성을 가지고 있는 다중 안테나 시스템, 스마트 안테나 시스템, 무선 자원 관리 등을 다루게 된다.전선 / 학사
두개의 직접 연결된 디바이스 간의 데이터 교환과 관련된 환경에서 전송, 인터페이싱, 링크제어 및 다중화를 이해하고, 또 통신망을 통해 데이터전송 서비스를 제공하는데 필요한 기능과 그 메커니즘을 이해할 수 있도록 한다. 이 교과목에서 취급하는 내용은 다양한 전송매체를 통한 데이터의 전송 및 인코딩, 디지탈 데이터통신 기술, 데이터 링크 제어, 멀티플렉싱, 패킷 교환, 망 경로배정 및 혼잡제어, 근거리망의 종류와 동작원리이다.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
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.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 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 / 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 / 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 / 학사
이 과정은 학부생들에게 기초적인 이론과 일반적인 개념을 제공할 것이다. 이 과정은 신호와 잡음의 수학적인 표현, 변조 방법(AM, PM, FM)과 이 방법들의 효율성, 샘플링 이론에 대한 물리학적인 의미, 디지털 신호의 코딩과 신호로의 변조(PAM, PWM, PPM, PCM), 디지털 변조방법(ASK, PSK, FSK) 등 통신에 대한 대부분의 기초적인 주제들을 포함할 것이다. 이러한 것들은 통신에 대한 일반적인 이해를 도울 것이다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.