최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Zhang Y.,Zhang T.,Zhang Z.,Tahir N.,Zhang Q.
2020 / International Journal of Hydrogen Energy
데이터가 존재하지 않습니다.
loading...
본 연구는 소규모 학습그룹에서 학습자 맞춤형 교육을 효율적으로 제공하기 위해 파이썬 모듈을 활용하여 비정형 학습자 데이터를 분석하고 학습 알고리즘을 제시합니다. 분석 결과, 비정형 학습 데이터를 정량화하여 측정 가능하도록 하였으며, 학습자 맞춤 교육을 위한 키워드 분석에서 90% 이상의 데이터가 유의미함을 확인했습니다.
전문가 교사들의 슬기로운 AI 공부생활 : 인공지능(AI) 시대, 전문가 교사들은 무엇을 공부하고 가르치는가?
Cognitive computing in technology-enhanced learning
온라인 학습분석 기반 맞춤형 교육지원 방안 연구
Learning analytics
4차 산업혁명, 교육이 희망이다 : 교사, 학부모, 학생을 위한 미래 교육 길잡이
Bayesian networks for managing learner models in adaptive hypermedia systems : emerging research and opportunities
Transforming digital learning and assessment : a guide to available and emerging practices and building institutional consensus
Learning Analytics: Fundaments, Applications, and Trends : A View of the Current State of the Art to Enhance e-Learning
Statistical machine learning : a unified framework
파이토치 첫걸음 : 딥러닝 기초부터 RNN, 오토인코더, GAN 실전 기법까지
노코드 빅재미로 배우는 인공지능 : SW·AI 역량강화를 위한 No-Code 인공지능 입문서
Artificial intelligence in higher education : a practical approach
A child's world : infancy through adolescence
AI와 데이터 분석 기초 : 디지털 비즈니스 생존전략
(수학의 흥미를 높이고 코딩과 친숙해지는) 문제해결 파이썬 with 기본 수학 =
Learning analytics in higher education : current innovations, future potential, and practical applications
실감형 e-러닝 기반 개인맞춤형 학습 시스템 개발에 관한 연구 =
AI와 데이터 분석 기초 : 디지털 비즈니스 생존전략
(개념 잡는) 데이터 분석 with 머신러닝 =
中国信息技术教育 / China Information Technology Education
张晖; 王炜软件导刊 / Software Guide
冯艳红; 孙庚; 于红; 史鹏辉; 秦敬源中小学班主任 / ZHONGXIAOXUE BANZHUREN
张欣IEEE Signal Processing Magazine
Maghsudi S.,Lan A.,Xu J.,Van Der Schaar M.中国教育技术装备 / China Educational Technology & Equipment
陈琳琳; 何远德; CHEN Linlin; HE Yuande컴퓨터교육학회 논문지
이가영; 하정은; 차현진科技创业月刊 / Pioneering With Science & Technology Monthly
杜芳芳; 王丹; 高继梅; DU Fangfang; WANG Dan; GAO JimeiApplied Sciences (Switzerland)
Villegas-Ch W.,Roman-Cañizares M.,Jaramillo-Alcázar A.,Palacios-Pacheco X.中国信息技术教育 / China Information Technology Education
李丹丹; 朱佳丽; 王录通; 梁梓煜; 陈俊International Journal of Information and Communication Technology Education
Wu X.,Chang J.,Lian F.,Jiang L.,Liu J.,Yasrab R.International Journal of Mobile Learning and Organisation
Hwang G.J.,Fu Q.K.교육공학연구
이수원; 한예진; 이승민; 조영환中小学信息技术教育 / Zhongxiaoxue Xinxi Jishu Jiaoyu
王博威; 吴磊Applied Sciences (Switzerland)
Simanca F.,Crespo R.G.,Rodríguez-Baena L.,Burgos D.开放教育研究
方柏林; FANG BolinTechnology, Knowledge and Learning: Learning mathematics, science and the arts in the context of digital technologies
Ifenthaler, Dirk한국콘텐츠학회 논문지
정은영, 강인애, 최정아IT Professional, IT Prof.
Fiaidhi, JinanTeaching and learning in medicine
Kilgour JM; Grundy L; Monrouxe LVIEEE ACCESS
Essa, Saadia Gutta; Celik, Turgay; Human-Hendricks, Nadia Emelia전선 / 학사
이 교과목은 다양한 학습 데이터를 분석하여 학습자의 흥미와 필요를 고려한 맞춤형 학습을 설계하는 방법을 소개한다. 인공지능을 활용하여 학습활동을 자동으로 분석하고 학습결과를 예측하며, 그 결과를 바탕으로 교수자와 인공지능이 적응적으로 학습을 지원하는 방안을 탐색한다. 학습 상황과 학습자의 특성에 따라 최적의 학습경험을 어떻게 설계하고 지원할 수 있는지 논의한다. 그리고 디지털 테크놀로지를 활용하여 공교육에서 학습 데이터를 수집, 분석, 활용하는 과정에서 발생하는 사회적 문제를 비판적으로 검토하고 창의적인 해결방안을 모색한다.전선 / 대학원
온라인 교육 활동이 활발해지면서 교육 분야의 데이터가 폭발적으로 증가하고 있다. 온라인 교육이 쏟아내는 빅 데이터의 추출과 분석은 오프라인 데이터의 분석과 함께 과학교육의 현황을 파악하고 미래를 위한 과학교육의 방향을 결정하는데 중요한 정보를 제공할 수 있다. 이 과목에서는 학생들이 빅 데이터 분석의 원리와 방법을 이해하고, 학습 결과를 온라인과 오프라인 과학교육과 사회현상의 분석에 응용하는 능력을 기르는 것을 목표로 하며, 데이터 마이닝을 위한 확률 개념을 바탕으로 수집된 데이터에서 최대의 정보를 추출하는 방법을 학습한다. 특히, 대표적 분류 모형인 퍼셉트론, 합성곱 신경망, 순환 신경망, 생성 모형으로 오토 인코더, 적대적 생성 신경망, 볼츠만 머신, 딥 빌리프 네트워크 등을 깊이 다룰 예정이다. 학생들은 이 주제들에서 학습한 내용을 교육 데이터 마이닝의 실습, 무크와 같은 대규모 학습의 분석에 응용하는 연습을 한다. 이 과목은 교육 통계와 좋은 보완이 될 수 있다. 그러나 강의를 이해하는데 필요한 통계 수학과 컴퓨터 프로그램 지식을 선행 지식으로 요구하지는 않는다.전선 / 학사
현대의 과학, 공학, 그리고 경영의 응용시스템은 데이터에 점점 더 많이 의존하게 되었지만 전통적인 데이터 분석 기술들은 복잡한 빅 데이터 시대에 맞도록 설계되어 있지 않는 실정이다. 데이터를 수집, 저장, 가공하여 그 안에서 지식을 추출하는 빅 데이터 분석은 새로운 과제들을 탐구하는 흥미 있고 빠르게 발전하는 하나의 학문으로 등장하였다. 본 강의에서는 프로그래밍 경험이 많지 않는 학생들을 대상으로 데이터의 수집 및 분석뿐만 아니라 데이터 프로그래밍 언어의 사용에도 초점을 맞춰 이를 바탕으로 빅 데이터 분석의 토대를 마련하는 것을 목표로 한다.전선 / 학사
다양한 교육 사례를 분석하여 디지털 전환 시대 빅데이터의 교육적 활용 가능성과 도전적 과제를 탐색한다. 학습자중심교육에 대한 이론과 모형을 학습하고 빅데이터와 인공지능을 활용하여 맞춤형 학습환경을 설계할 수 있는 역량을 기른다. 교육 문제를 창의적으로 해결하기 위해 빅데이터와 디지털 테크놀로지를 활용하는 방안을 탐구한다.전선 / 대학원
이 강좌는 학습자와 학습 맥락에 대한 데이터를 체계적으로 수집, 분석, 활용하여 각 학습자에게 최적화된 학습 경험을 제공하는 방법을 다룬다. 온라인과 면대면 학습환경에서 효과적으로 데이터를 수집하고 분석하는 방법을 조사하고, 학습분석에 기반하여 개별화된 학습을 설계하고 대시보드와 같은 디지털 도구를 개발하는 방법을 탐구한다. 그리고 학습분석 과정에서 발생할 수 있는 윤리적 이슈를 예방하기 위한 실천방안에 대해서 논의한다.전선 / 대학원
이 강좌는 석·박사 학위 논문 작성 등 교육연구에 필요한 통계적 분석에 대한 개념과 이론에 대한 폭넓은 이해를 돕고, 실제 교육연구에서 통계적 기법들을 적절히 활용할 수 있도록 하기 위한 것이다. 이를 위해 교육관련 각종 연구 자료의 특성(예: 다층 자료, 유목 자료, 연속 자료 등)에 적절한 통계적 기법들에 대한 소개와 함께 관련 컴퓨터 프로그램을 활용하여 실제로 분석할 수 있도록 하기 위한 것이다. 아울러 수강생들은 관심 있는 교육관련 자료를 분석하고 그 결과를 수업시간에 보고하는 기회를 가지게 될 것이다.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.전필 / 대학원
인공지능(AI) 기반 교육을 현장에서 적용하기 위해선, AI융합전공 수강생들은 인공지능(AI)을 교과 수업 상황에 융합하여, 수업을 설계하고 실행할 수 있는 역량이 요구된다. 이 강의는 AI융합전공 수강생들이 인공지능(AI) 자체에 대한 수업과, 인공지능(AI) 학습도구를 활용한 인공지능(AI)-교과 융합수업을 설계하고, 실행할 수 있는 역량을 갖추는 것을 목적으로 한다. 이를 위해 AI융합전공 수강생들은 먼저, 인공지능(AI) 자체에 대한 수업 설계 역량을 기른다. 그리고 실제적이고 집중적인 교육을 통해, 이 교과목은 수강생들의 인공지능 교과 융합 수업을 설계하고 실행하는 역량 증진시킬 것이다.전선 / 대학원
이 강좌는 인공지능에 대한 이해를 바탕으로 교육적 활용방안을 탐색하고 다양한 연령의 학습자를 대상으로 인공지능에 대한 교육을 효과적으로 실시하는 방안을 다룬다. 인공지능 기반 교육에 대한 최신 이론과 교육적 이슈를 체계적으로 검토하고 교육 분야에서 인간과 인공지능이 협업할 수 있는 방안을 논의한다.공통 / 대학원
기계 학습은 새로운 통계방법론 및 알고리즘 개발의 기반역할을 하고 있다. 이 과목에서는 고급기계학습을 위한 방법론을 이론적 기초와 함께 강의할 예정이다. 또한 방법론의 실용적 측면과 직관을 통하여 이론적 내용을 제공하여 학생들이 상황에 맞는 적절한 분석방법과 각자의 연구주제에 적합한 분석 툴에 개발하는데 도움을 주고자 한다. 구체적으로 머신러닝 연구에 중요한 비모수추론, 집중 부등식, 최적화 및 변분 방법등과 같은 주제를 다를 예정이다전선 / 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 방법론전선 / 학사
본 과목에서는 대용량의 텍스트를 분석하여 유의미한 결론을 도출하는 텍스트마이닝 기법에 대해 강의한다. Natural language processing, probabilistic topic model, text clustering, text categorization, contextual text mining 등, 텍스트마이닝 분야의 핵심 Keyword 및 기법에 대해 다룬다.전선 / 대학원
본 코스에서는 선형, 비선형, 정수, 동적, 확률적인 최적화 기법에 대해 강의한다. 각 기법에서 어떻게 바람직한 측면을 최대화 하고 부적적인 측면을 최소화 할 수 있는가를 보여 줄 수 있는 예제들을 제시하게 될 것이다. 특히 산업 뿐 아니라 컴퓨터 프로그램에서 선형, 비선형 문제를 풀기위한 응용문제를 강조하게 될 것이다.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
빅데이터는 실세계에서 일어나는 복잡한 문제를 해결하기 위한 통찰력을 제공한다. 이 과목은 빅데이터를 소개하며, 데이터 가공, 분석 및 시각화를 위한 프로그래밍 언어 (Python), 데이터 분석을 위한 통계 및 머신러닝 방법 등을 가르친다. 실습 및 프로젝트를 통해서 학생들이 실제 데이터를 분석할 수 있는 능력을 배양한다. 데이터 중심의 컴퓨팅, 정량적 사고와 추론, 탐색적 데이터 분석에 대한 강조를 통해 이 과목에서는 데이터 과학의 핵심 원리와 기술을 다룰 것이다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야 (active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야(active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.전선 / 대학원
현대 경영에서의 의사 결정은 데이터의 분석 결과에 점점 더 많이 의존하고 있는 추세다. 정형 데이터 뿐만 아니라 비정형 데이터를 인터넷 상에서 수집, 저장, 가공하여 그 안에서 경영 인사이트를 추출하는 빅데이터 분석의 중요성은 날로 증가하고 있다. 이 강의는 프로그래밍 경험이 많지 않은 학생들을 대상으로 프로그래밍 언어의 기초뿐만 아니라 데이터의 수집 및 분석의 모든 과정을 살펴봄으로써 데이터 기반 의사 결정에 대한 이해를 높이고 기계학습 및 인공지능에서 사용하는 프로그래밍 언어가 산업 전반에 걸쳐 어떻게 활용되고 있는지에 대한 기초 지식을 제시한다. 또한 프로그래밍 언어를 실제 데이터에 적용하는 실습 과정을 통해 실전 문제에 대한 응용력을 배양하고, 향후 경영 환경에서의 실무 적용능력의 토대를 제공한다.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
데이터 마이닝은 빅 데이터를 분석하기 위한 핵심 도구로서 많은 관심을 받고 있다. 특히 컴퓨터 공학 측면에서 고급 데이터 마이닝 알고리즘 및 분석 플랫폼을 설계하고 구현하는 기술을 학습하는 것은 최근 넘쳐나는 빅 데이터에서 실행 가능한 지식을 추출하는데 핵심적인 역할을 한다. 본 과목에서는 빅 데이터를 분석하기 위한 컴퓨터 공학 기반 고급 기술, 알고리즘, 핵심 플랫폼을 다룬다. 또한 초 대용량 데이터, 초고속 데이터 등을 효과적으로 분석하는 기법을 학습한다.