If the collection is public, the memo for this book will also be public.
Your Browsing History
There is no data.
There is no data.
loading...
This study presents a method for improving the performance of a transformer model for CTR prediction and analyzes the effect of discrete and categorical CTR data characteristics on model performance. The experimental results confirm that the prediction performance is significantly improved when L2 generalization is applied in the embedding process for CTR data input processing and when batch normalization is applied instead of layer normalization to the transformer model.
이론부터 실전까지 AI 에이전트 완벽 마스터 : LLM·RAG 기본부터 지식 그래프·강화학습·멀티 에이전트 심화까지
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
구글 BERT의 정석 : 인공지능, 자연어 처리를 위한 BERT의 모든 것
마스터링 트랜스포머 : BERT에서 LLM, 스테이블 디퓨전까지, Transformers 라이브러리와 함께하는 트랜스포머 탐구
Information theoretic learning : Renyi's entropy and kernel perspectives
인공지능·빅데이터 마케팅
퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 : 파이썬, Pandas, 텐서플로 2.0, Scikit-learn을 활용한 효과적인 트레이딩
Learning theory and Kernel machines : 16th Annual Conference on Learning Theory and 7th Kernel Workshop, COLTKernel 2003, Washington, DC, USA, August 24-27, 2003 : proceedings
그림으로 배우는 딥러닝
Applications of Machine Learning
트랜스포머로 시작하는 자연어 처리 : 자연어 처리 기초부터 BERT, RoBERTa, 코파일럿, CPT-4 모델까지
Case-based reasoning technology : from foundations to applications
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
Tensor computation for data analysis
(파이토치 트랜스포머를 활용한) 자연어 처리와 컴퓨터비전 심층학습 : 실전 프로젝트와 최신 알고리즘을 통한 딥러닝 모델 개발
Pattern recognition in practice IV : multiple paradigms, comparative studies, and hybrid systems : proceedings of an international workshop held on Vlieland, The Netherlands, 1-3 June 1994
(파이토치 트랜스포머를 활용한) 자연어 처리와 컴퓨터비전 심층학습 실전 프로젝트와 최신 알고리즘을 통한 딥러닝 모델 개발
핸즈온 머신러닝 딥러닝 알고리즘 트레이딩 : 파이썬, Pandas, NumPy, Scikit-learn, 케라스를 활용한 효과적인 거래 전략
Wang, Yingshuai; Zhang, Dezheng; Wulamu, Aziguli · 2023
Applied Intelligence: The International Journal of Research on Intelligent Systems for Real Life Complex Problems
Cao T.,Xu Q.,Yang Z.,Huang Q. · 2022
IEEE Transactions on Pattern Analysis and Machine Intelligence
Zhiyong Yang; Qianqian Xu; Qingming Huang; Tianwei Cao · 2021
IEEE Transactions on Pattern Analysis and Machine Intelligence
Li, Zekun; Cui, Zeyu; Wu, Shu; Zhang, Xiaoyu; Wang, Liang · 2019
PROCEEDINGS OF THE 28TH ACM INTERNATIONAL CONFERENCE ON INFORMATION & KNOWLEDGE MANAGEMENT (CIKM '19)
Wenjian Xu; Fanxiang Zeng; Nan Zhang; Honghao Gao; Yuyu Yin; Zulong Chen; Maolei Huang; Jian Wan · 2025
IEEE Transactions on Computational Social Systems
Pi, Qi; Bian, Weijie; Zhou, Guorui; Zhu, Xiaoqiang; Gai, Kun · 2019
KDD'19: PROCEEDINGS OF THE 25TH ACM SIGKDD INTERNATIONAL CONFERENCCE ON KNOWLEDGE DISCOVERY AND DATA MINING
김태석 · 2020
Journal of The Korean Data Analysis Society
Liu Y.,Ma L.,Wang M. · 2022
Sensors
Gan M.,Xiao K. · 2019
IEEE Access
Zou D.,Wang Z.,Zhang L.,Zou J.,Li Q.,Chen Y.,Sheng W. · 2021
Information Sciences
Li H.,Ru Q.,Zhang Y.,Zhang Y.,Sang L.,Yang Y. · 2026
IEEE Transactions on Computational Social Systems
Zhang W.,Han Y.,Kang Z.,Qu K. · 2022
IEEE Access
Li, H.; Sang, L.; Zhang, Y.; Zhang, Y.; Zhang, X. · 2024
ACM Transactions on Information Systems
이종학; 김상호; 이기훈 · 2023
데이타베이스연구
Song K.,Huang Q.,Zhang F.e.,Lu J. · 2021
Knowledge-Based Systems
Zhang J.,Ma C.,Zhong C.,Zhao P.,Mu X. · 2022
Neurocomputing
Xu, Yu-Hao; Wang, Zhen-Hai; Wang, Zhi-Ru; Fan, Rong; Wang, Xing · 2023
Neural Processing Letters
Wei J.,Wang L.,Ge M. · 2023
IEEE Access
Wang X.,Dong H.,Han S. · 2020
IEEE Access
Guan F.,Qian C.,He F. · 2023
Knowledge-Based Systems
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 / 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 편향성전필 / 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
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할 수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등을 설명한다.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
계산이론은 컴퓨터공학의 기초학문이며, 중요한 문제에 대한 효율적인 알고리즘들을 소개하고, 그런 알고리즘의 복잡도 분석을 다룬다. 이 교과목에서는 먼저 알고리즘의 성능을 분석하는 기법, 특히 amortized analysis에 대해 배운다. 그리고, 계산이론 분야에서 중요한 알고리즘과 그 응용에 대해 배운다. 구체적으로, (스트링 매칭, 2차원 패턴 매칭, 근사 매칭, suffix trees, 데이터 압축 문제에 대한) 스트링 알고리즘과 bioinformatics에의 응용, (선택 문제, 다항식 확인 문제에 대한) randomized 알고리즘과 그 영향, (페이지 교체 문제, k 서버 문제에 대한) online 알고리즘과 금융문제(일방향 거래와 portfolio 선택 문제)에의 응용을 배운다.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
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
본 과목은 국제통상 전공자들에게 필요한 테이터 분석 방법론과 방법론의 응용을 가르치는 것을 목표로 한다. 방법론으로는 기초 통계학 이론 및 회귀분석 모형이 포함되며, 동시에 이 기법이 실제 어떻게 사용되는지 프로젝트 및 데이터 실습을 통해서 학습한다. 데이터 실습은 STATA를 기반으로 진행한다. 이에 더하여, 각국에서 도입중인 evidence-based policy making (EBPM)의 동향과 민간의 신용카드 및 교통정보를 기반으로 한 실시간 데이터가 정책입안에 어떻게 활용되는지 사례분석을 통해서 학습한다. 마지막으로 최근 활발히 이용되고 있는 머신러닝(Machine Learning)기법 일부도 소개한다. 학습 평가는 방법론에 대한 시험과 통계분석에 대한 final project를 기초로 이루어진다.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
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 / 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 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 과목에서는 자연어 처리 분야의 최근 기술 발전과 이를 이해하기 위한 배경 지식 전반을 강의한다. Transformer model 기반 자연어 처리 기법을 주로 다루며, 이를 이해하기 위해 필요한 배경 지식(Embedding, Encoder-Decoder, Attention 등)을 다룬다. 실제 자연어 처리 문제를 해결하기 위해 Transformer를 수정/활용하는 프로젝트를 진행한다.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
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
한정된 자료들 사이의 공간적 상호관계를 분석하고 이를 바탕으로 임의의 위치에서 원하는 자료값을 예측하는 여러 크리깅 기법을 공부한다. 주어진 값과 그 분포를 항상 보전하는 조건부 시뮬레이션과 불확실성을 줄이기 위해 이용가능한 자료를 통합하여 사용하는 최적화 기법을 공부한다.전선 / 대학원
본 강좌는 대학원생을 위한 고급 계산생물학 교과목으로 (1) 데이터 전처리 및 정규화(RT-PCR/western blotting data normalization), (2) 기본 통계 및 가설검증 방법(hypothesis testing, multiple testing correction, Bayesian 통계 등), (3) 다변량 통계 기반 데이터 시각화 및 회귀분석(주성분분석, 다변량 회귀분석, 주요 변수 추출 등), (4) 오믹스 데이터 기본 분석(데이터 정규화, 매핑, 발현/활성 차이 유전자/단백질 선별), (5) 타겟 분자 예측(마이크로RNA, 전사인자 타겟 예측 등), (6) 다양한 바이오리소스 및 활용방법(지놈브라우져, 다양한 데이터베이스 및 활용, 생체네트워크 모델링 및 메커니즘 예측) 등의 생물학 연구에 있어서 유용한 기본 분석 및 리소스 활용 방법들을 학습한다. 학습한 방법들을 적용할 수 있는 텀프로젝트 과제를 부여한다. 이 텀프로젝트에서는 각자 가지고 있는 생물학적 문제에 학습한 방법을 올바르게 적용했는가를 평가한다.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 강좌는 대학원생을 위한 고급 계산생물학 교과목으로 (1) 데이터 전처리 및 정규화(RT-PCR/western blotting data normalization), (2) 기본 통계 및 가설검증 방법(hypothesis testing, multiple testing correction, Bayesian 통계 등), (3) 다변량 통계 기반 데이터 시각화 및 회귀분석(주성분분석, 다변량 회귀분석, 주요 변수 추출 등), (4) 오믹스 데이터 기본 분석(데이터 정규화, 매핑, 발현/활성 차이 유전자/단백질 선별), (5) 타겟 분자 예측(마이크로RNA 타겟 예측 등), (6) 다양한 바이오리소스 및 활용 방법(지놈브라우져, 다양한 데이터베이스 및 활용, 생체네트워크 모델링 및 메커니즘 예측) 등의 생물학 연구에 있어서 유용한 기본 분석 및 리소스 활용 방법들을 학습한다. (7) 단백질 예측 (단백질 서열의 특성을 예측하는 in-silico 방법). 학습한 방법들을 적용할 수 있는 텀프로젝트 과제를 부여한다. 이 텀프로젝트에서는 각자 가지고 있는 생물학적 문제에 학습한 방법을 올바르게 적용했는가를 평가한다.