최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 자연어 처리 분야에서 성능 향상을 보인 어텐션 메커니즘을 문장 임베딩에 적용하여 text-to-image 모델의 이미지 생성 성능을 향상시키는 방법을 제안합니다. 기존 모델들이 텍스트 특징 추출에 기본적인 임베딩을 사용하고 여러 모듈을 거쳐 이미지를 생성하는 데 비해, 제안하는 방법은 어텐션 메커니즘을 통해 특징을 추출하고 GAN에 입력하여 학습 시간을 단축하고 이미지 품질을 높였습니다. 실험 결과, inception score가 향상되었으며 입력 문장의 특징을 잘 표현하는 이미지를 생성하는 것을 확인했습니다.
(텐초의) 파이토치 딥러닝 특강 : CNN부터 GAN까지 15가지 신경망 예제 + 실무 노하우로 익히는 문제풀이 해법서
LLM, 거대 언어 모델의 이해
(실전! 텐서플로2를 활용한) 딥러닝 컴퓨터 비전 : 텐서플로 2.0과 케라스를 활용한 강력한 이미지 처리 애플리케이션 만들기
텐서플로와 케라스로 구현하는 딥러닝 3e
생성형 AI와 법 =
딥러닝 초보자를 위한 엔비디아 가이드북 : 엔비디아 현업 아키텍트가 저술한 검증된 딥러닝 입문서
챗GPT 업무 활용 마스터
Pro deep learning with TensorFlow : a mathematical approach to advanced artificial intelligence in Python
PyTorch로 시작하는 딥러닝 : 딥러닝 기초에서 최신 모던 아키텍처까지
텐서플로 2와 케라스로 구현하는 딥러닝 : 회귀, CNN, GAN, RNN, NLP, AutoML까지 딥러닝의 모든 것
(만들면서 배우는) 파이토치 딥러닝 : 12가지 모델로 알아보는 딥러닝 응용법
(토니부잔의) 마인드맵 두뇌사용법
Machine learning : ECML-98 : 10th European Conference on Machine Learning, Chemnitz, Germany, April 1998 : proceedings
영화교육의 다양한 교수·학습 방법
Semantic structures : advances in natural language processing
이미지 처리 바이블 =
기적의 기억 교과서, 유즈클락 기억법
실전! GAN 프로젝트 : 텐서플로와 케라스를 이용한 차세대 생성적 적대 신경망 모델 구축
챗GPT 업무 활용 마스터 : 기업 내 언어모델 도입과 활용을 위한 실전 가이드
(코딩셰프의) 3분 딥러닝 케라스맛
International Journal of Pattern Recognition and Artificial Intelligence
Vamsidhar Talasila; M. R. Narasingarao; V. Murali MohanInternational Journal of System Assurance Engineering and Management
Atul Mishra; Anubhav Agrawal; Shailendra BhaskerApplied Sciences (Switzerland)
Yu K.,Kim H.,Kim J.,Chun C.,Kim P.IEEE ACCESS
Zuo, Ling-Qun; Sun, Hong-Mei; Mao, Qi-Chao; Qi, Rong; Jia, Rui-ShengMultimedia Tools and Applications
Naqvi N.,Islam M.S.,Iqbal M.,Kanwal S.,Khan A.,Ye Z.F.Image and Vision Computing
Naveen S.,Ram Kiran M.S.S.,Indupriya M.,Manikanta T.V.,Sudeep P.V.Expert Systems with Applications
Hou Y.,Zhang W.,Zhu Z.,Yu H.Neural Computing and Applications
Qian K.,Tian L.Neural Networks
Xiao J.,Sun Y.,Bi X.Signal Processing
Yan S.,Xie Y.,Wu F.,Smith J.S.,Lu W.,Zhang B.International Journal of Multimedia Information Retrieval
Sur C.Engineering Applications of Artificial Intelligence
Padate R.,Jain A.,Kalla M.,Sharma A.ACM Transactions on Asian and Low-Resource Language Information Processing
Diviya M; Karmel AJournal of Physics: Conference Series
Pal, A.; Kar, S.; Taneja, A.; Jadoun, V.K.한국IT서비스학회지
알렉스 샤이코니, 서상현, 권영식International Journal of Image and Graphics
Satish Devane; Chaitrali Prasanna ChaudhariInternational Journal of Information Management Data Insights
Chauhan T.,Palivela H.SN Computer Science
Sur C.Pattern Recognition Letters
Ak K.E.,Lim J.H.,Tham J.Y.,Kassim A.A.Arabian Journal for Science and Engineering
Helmy T.,Djatmiko F.전선 / 대학원
데이터사이언스와 관련한 여러 분야의 최근의 국내외 연구동향을 소개한다. 강의와 세미나를 통하여 관련분야의 최신 방법론과 특정 주제를 심도 있게 습득할 수 있도록 한다.전선 / 대학원
산업공학의 새로운 기법들을 소개하고 이의 응용실태를 알아본다.전선 / 대학원
본 스튜디오는 인공지능(AI)을 조경의 핵심 설계 도구로 활용하는 것을 목표로 하는 실습 중심의 스튜디오이다. 지난 2년간 진행한 세미나 주제인「조경과 AI」에서 다루었던 이론적 논의를 확장하여, 실제 설계 프로세스 속에서 AI의 잠재력과 한계를 탐구한다. 본 수업은 인간이 직관적으로 해결하기 어려웠던 형태적·공간적 문제를 인공지능을 통해 분석하고 생성하는 과정을 실험하며, 프롬프트 설계(Prompt Design)와 룰 베이스 설계(Rule-Based Design)와 같은 개념을 핵심 학습 주제로 다룬다. 수강생들은 2차원 이미지로부터 3차원 형상을 추출하고, 형태의 특징을 기반으로 기능과 프로그램을 부여하는 과정에서 다양한 AI 도구를 활용한다. 이를 통해 인공지능을 단순한 도구가 아닌 공동 설계자(co-designer)로 이해하며, 디지털 생성 기술을 통해 새로운 형태, 패턴, 그리고 공간 경험을 제안한다. 최종적으로 AI를 활용한 설계 프로토타입 혹은 실험적 디자인 아틀라스를 제작하여, 미래 조경·도시설계의 가능성을 탐구한다.전선 / 학사
본 강의에서는 다양한 산업에서 발생하는 텍스트 데이터에 대한 이해와 함께, 이에 대한 분석 기법들을 학습하는 것을 목적으로 한다. 크게 텍스트 데이터의 이해, 텍스트 데이터의 전처리 및 표상화, 언어 모델의 구조 이해, 그리고 텍스트 데이터의 응용 과업 등의 네 가지 파트로 구성하여 강의를 진행한다. 텍스트 데이터의 이해 파트에서는 제조업, 마케팅, 금융 등의 비즈니스에서 발생하는 텍스트 데이터의 특징과 이에 대한 활용 사례를 주로 다룬다. 텍스트 데이터의 전처리 및 표상화 파트에서는 전통적인 bag-of-words 방식을 포함하여, word2vec, GloVe, Fasttext와 같은 신경망 기반의 텍스트 표상화 방법을 강의한다. 언어모델의 구조 이해 파트에서는 Seqence-to-sequence Learning과 Transformer 구조에 대한 이해를 바탕으로 BERT 및 GPT 등의 대표적인 언어모델 구조를 강의한다. 마지막으로 텍스트 데이터의 응용 과업 파트에서는 감성 분석, 문서 요약, 질의 응답 등의 실제 비즈니스에서 자주 사용되는 텍스트 데이터 분석 과업을 소개하고 이를 해결하기 위한 적절한 방법론을 강의한다.전선 / 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 / 학사
본 과목은 자연어 이해를 위한 확률 및 딥러닝 학습 방법론을 다룬다. 자연어 이해는 인공 지능에서 크게 주목받고 있는 영역으로 활용 범위가 웹 검색, 번역, 대화 모델 등으로 다양하다. 자연어 이해에서 성공적인 모델은 확률기반, 딥러닝 기반, 대형 언어모델 기반 모델 등이 있다. 본 과목에서는 이러한 다양한 모델을 이해하고, 디자인하고 구현하고 평가하는데 요구되는 최신 기술들을 다룬다. 1. 과목소개 2. Bag-of-word 언어모델 3. N-gram 언어모델 4. Bayesian 모델 5. Logistic 회귀 6. 임베딩 7. CNN 8. RNN 9. Transformer 10. 문맥적 임베딩 11. 지식 구축 및 활요 12. 언어에서의 AI 편향성전선 / 대학원
대형언어모델(Large Language Model, LLM)은 수억 이상 파라미터를 갖는 인공신경망으로 구성된 언어모델이다. 자기지도학습이나 반자기지도학습을 사용하여 레이블링 되지 않은 대규모 텍스트로 훈련된다. 토큰화, 트랜스포머 모델, 프롬프트 엔지니어링, 파인 튜닝 등으로 구성된다. Neural Network, CNN, RNN, LSTM, 어텐션, 트랜스포머, RLHF, 프롬프트 엔지니어링, 파인튜닝, RAG 등을 다룬다. LLM 이론을 기초부터 완성 단계까지 학습한다. LLM를 소규모로 직접 사전학습모델을 구현한다. 사전학습된 모델을 기반으로 프롬프트 엔지니어링, 파인튜닝, RAG를 통하여 성능을 향상시키는 것을 구현한다.전선 / 학사
본 강좌는 예비영어교사들에게 <컴퓨터를 활용한 언어학습 (CALL)>의 원리를 중등학교 영어교육방법의 실제에 활용하는 기회를 제공한다. 학생들은 영어교육 공학기법을 탐구하여, 영어교육방법의 기본적 바탕을 익힌다.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
영어의 통사구조, 음운구조, 의미구조, 기타 영어학분야의 주제ㅐ를 선택하여 이를 집중적으로 연구한다.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.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
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 / 대학원
임상서식 및 의학 문헌에서의 정보추출을 위한 다양한 알고리즘과 이론에 대해 학습한다. 특히 자연어처리 분야의 기존 연구들을 기반으로 의학 분야에서 자연어처리 기술이 적용될 수 있는 사례들을 개발하고, 실제 프로젝트를 통해 새로운 적용 분야들에 대해 연구하게 된다.전선 / 학사
스토리 생성(Story generation)은 인공지능의 도전적인 과제 중 하나이다. 본 수업은 스토리 생성 기술을 개발하기 위하여 시도된 다양한 사례들을 통해 자연어처리의 주요 개념과 인공지능 분야 전반에 대한 기초적인 지식을 소개한다. 또한 최근 주목받고 있는 초거대 언어 모델(Large language model)에 대해 살펴보고 이를 활용하여 사람과 같은 수준의 이야기를 만들 수 있는지 그 가능성과 한계를 탐색하고자 한다. 마지막으로 창조성의 영역까지 넘보고 있는 인공지능이 인간의 창작 프로세스에 어떤 도움을 줄 수 있는지 이해하고, 이러한 변화가 사회와 산업에 어떤 영향을 미칠 것인지를 고찰하고자 한다.전선 / 학사
프로그래밍 언어를 사용하여 이미지와 인터랙션을 다루는 방법을 배운다. 습득한 기법을 바탕으로 학생 스스로 창의적인 결과물을 제작한다.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
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
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
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.