최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Ryu, So Im; Park, Yeon-Hwan; Kim, Jinhyun; Huh, Iksoo; Chang, Sun Ju; Jang, Soong-Nang; Noh, Eun-Young
2022 / PLoS ONE
Balsamo, Antonio; Baronio, Federico; Ortolano, Rita; Menabo, Soara; Baldazzi, Lilia; Di Natale, Valeria; Vissani, Sofia; Cassio, Alessandra
2020 / FRONTIERS IN PEDIATRICS
데이터가 존재하지 않습니다.
loading...
Distributed computing in big data analytics : concepts, technologies and applications
Intelligent and Cloud Computing : Proceedings of ICICC 2019, Volume 1
Automated Taxonomy Discovery and Exploration
Applications of machine learning in big-data analytics and cloud computing
High-Performance Computing and Big Data Analysis : Second International Congress, TopHPC 2019, Tehran, Iran, April 23–25, 2019, Revised Selected Papers
Big data and computational intelligence in networking
Fundamentals of big data : network analysis for research and industry
Advances in Big Data : Proceedings of the 2nd INNS Conference on Big Data, October 23-25, 2016, Thessaloniki, Greece
ICDSMLA 2019 : Proceedings of the 1st International Conference on Data Science, Machine Learning and Applications
Deep learning in bioinformatics : techniques and applications in practice
Big data analytics for sensor-network collected intelligence
Database Systems for Advanced Applications : 25th International Conference, DASFAA 2020, Jeju, South Korea, September 24–27, 2020, Proceedings, Part I
Computer processing of remotely-sensed images
Techniques and Environments for Big Data Analysis : Parallel, Cloud, and Grid Computing
Understanding big data : analytics for enterprise class Hadoop and streaming data
Big data, open data and data development
Theory and application of digital control : proceedings of the IFAC symposium
Big data analysis : new algorithms for a new society
Big data : techniques and technologies in geoinformatics
한국지식정보기술학회 논문지
김종윤, 김진홍Journal of Intelligent and Fuzzy Systems
Farouk, A.; Zhen, D.Proceedings of the IEEE
Wu Z.,Sun J.,Zhang Y.,Wei Z.,Chanussot J.Arabian Journal for Science and Engineering
Pekturk M.K.,Unal M.,Gokcen H.IEEE Transactions on Cloud Computing
Jajoo A.,Hu Y.C.,Lin X.,Deng N.한국산학기술학회논문지
구성환, 신민수IEEE Transactions on Geoscience and Remote Sensing
Sun J.,Zhang Y.,Wu Z.,Zhu Y.,Yin X.,Ding Z.,Wei Z.,Plaza J.,Plaza A.JOURNAL OF INTERNET TECHNOLOGY
Sherratt, R. Simon; Wang, Jin; Yang, Yaqiong; Wang, Tian; Zhang, JingyuInformation Sciences
Chen J.,Li K.,Rong H.,Bilal K.,Li K.,Yu P.S.Information Processing and Management
Jain D.K.,Boyapati P.,Venkatesh J.,Prakash M.Journal of Systems and Software
Emara T.Z.,Huang J.Z.Future Generation Computer Systems
Iqbal R.,Doctor F.,More B.,Mahmud S.,Yousuf U.Journal of Physics: Conference Series
Li, J.Data Technologies and Applications
Djafri L.Journal of Supercomputing
Aghdashi A.,Mirtaheri S.L.Swarm and Evolutionary Computation
Chelly Dagdia Z.Journal of Physics: Conference Series
Hongwei, D.; Ligetu, B.한국콘텐츠학회 논문지
복경수, 육미선, 노연우, 한지은, 김연우, 임종태, 유재수한국지식정보기술학회 논문지
김정식, 김진홍Applied Intelligence: The International Journal of Research on Intelligent Systems for Real Life Complex Problems
Huang, Keke; Wei, Ke; Li, Yonggang; Yang, Chunhua전선 / 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 / 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 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
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 / 대학원
본 교과목은 응용 데이터사이언스를 위한 데이터 관리의 원리를 가르친다. 이 수업에서 다루는 주제는 다음과 같다. - 데이터 관리의 이론적 배경: 데이터 종류, 1차 논리, 2차 논리, 관계 논리와 관계 대수, 스키마, 정규화 - 관계데이터베이스: 개체-관계 모델, 트랜잭션, 동시성 제어, 로깅, 복구, SQL, OLTP, 쿼리 최적화 - 분산형 및 연합형 데이터베이스 시스템 - 데이터 애널리틱스: OLAP, 컬럼 스토어, ETL, 작업 데이터 저장소, 데이터 웨어하우스, 데이터 레이크, 인메모리 데이터베이스 - 데이터베이스의 물리적 디자인: Postgres 또는 MySQL을 이용한 B-tree 구현 등 - 데이터 처리: 파이썬의 NumPy, Pandas 등을 활용 이를 바탕으로 적용분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
소셜 컴퓨팅과 라지데이터 분석 등이 커뮤니케이션 분야에서도 중요한 이슈로 부상함에 따라 컴퓨터공학을 전공하지 않은 연구자들도 소셜 네트웍 시스템의 기술적, 구조적 특성을 이해할 필요가 있다. 이 수업에서는 Ruby나 Python 등을 사용한 기초 프로그래밍 학습과, 웹 기반 기술(web technology), 데이터베이스 등의 관련 기술에 대한 학습을 통해 실제로 소셜 네트웍을 개발하고 분석하는 방법을 배운다. 또한, 이 과정에서 트위터 등의 소셜 네트웍의 데이터 마이닝 기법을 배우고 소셜 네트웍 분석을 실습을 통해 학습한다.전선 / 학사
본 과목에서는 빅 데이터 분석 기술을 활용하여 문제를 해결하는 프로젝트를 한 학기에 걸쳐 진행한다. 연구 주제는 수강생이 직접 선택하되, 1)산업체에서 실제로 겪고 있는 문제를 파악하고 이를 해결하기 위한 기법을 개발하거나, 2)빅데이터 관련 특정 연구 분야의 최신 연구 동향을 파악하고 이와 관련한 연구 주제를 선택하여 연구를 진행한다.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.전선 / 대학원
본 교과목은 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝에 대해 보다 깊이 있게 소개한다. 데이터마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 그리고 분산 시스템과 다수의 머신을 이용하여 빠르고 확장성 있게 대용량 데이터를 처리하는 방법을 논의한다. 또한 여러 실제 세계 응용에 어떻게 데이터마이닝을 적용하는지에 대해서도 논의한다. 주요 주제로 그래프 데이터 분석, 행렬/텐서 데이터 분석, 비정상 이벤트 탐지 등이 있다.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
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
대학원생을 위한 교과목으로 인공지능의 핵심 기술인 딥러닝 분야의 고급 이론 및 최신 응용을 다룬다. 구체적으로는 다음과 같은 주제를 다룬다: 트랜스포머 및 메모리-오그멘티드 신경망(메모리네트워크, 뉴럴튜링머신), 생성적대망, 베리에이셔널 오토인코더, 생성플로우 등 심층생성모델; 연속학습, 소수샷학습, 도메인적응, 전이학습 등 메타러닝; 적대적학습; 자동기계학습및 하이퍼파라메터최적화; 자기지도 및 비지도 학습; 보안 및 프라이버시; 딥러닝의 최신 응용 등 - 권장 선수과목: 기계학습 및 전기정보응용(M2608.001300), 딥러닝(M2177.003100)전선 / 학사
분자의 운동, 반응 및 동적인 전기화학에 관한 제문제를 기초적인 이론으로부터 응용에 이르기까지 다방면에 걸쳐 연구한다. 여기에는 기본적인 기체운동론, 이온운반과 분자확산을 다루는 분자의 운동, 간단한 반응의 속도론과 더불어 광화학반응, 자체촉매반응, 진동반응, 연쇄반응 등이 관련되는 좀 더 복잡한 반응의 속도론, 고체 표면에서의 흡착, 촉매현상 및 과전위, 분극현상, 폴라로그래피, 전지, 부식 등을 취급하는 동적인 전기화학에 관련된 전반적인 내용이 포함된다.전선 / 대학원
본 교과목은 오늘날 인공지능의 중심을 이루는 거대언어모델(Large Language Models)과 이를 기반으로 한 대화형 인공지능을 다룬다. 특히 거대언어모델의 학습부터 응용까지 이어지는 전체 파이프라인을 아래와 같이 체계적으로 다룬다. (1) Pre-training: 지식 습득을 위한 사전학습(Transformer, BERT, GPTs) (2) Supervised Fine-tuning: 상호작용 학습(Dialogue Fine-tuning, Instruction Tuning, Reasoning) (3) Alignment: 인간 가치와의 정렬(RLHF, DPO, KTO 등) 및 언어모델 해석 기법(AI Psychometrics, Mechanistic Interpretability) (4) Grounding: 외부 데이터 및 도구 활용 기법(페르소나, 문서, 이미지, 지식 그래프, 도구 증강 에이전트) (5) Applications: 다양한 도메인으로의 응용(대화 시뮬레이션 및 심리상담·교육·설득 응용) 수업에서는 각 연구 주제별로 핵심 논문들의 아이디어, 데이터, 방법론 등을 강의한다. 실습으로는 언어모델 학습, 언어모델 API를 이용한 대화 시스템 구현, 대화형 인공지능과 관련된 작은 연구 프로젝트를 수행한다. 이 과목을 통해 수강생들은 거대언어모델 연구 동향을 큰 틀에서 파악하고, 핵심적인 연구 주제들과 방법론을 이해하며, 이를 실제 연구에 적용하는 능력을 기르게 된다.전선 / 대학원
본 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.전선 / 대학원
이 강좌는 고학년 대학원생들을 대상으로 하며, 본인의 연구에서 사용하는 데이터를 활용하여 수업을 진행한다. 최근 기술들에 대한 문헌 학습을 진행하고, 각자의 실습과정을 타수강생들과 함께 논의하며 공동으로 학습한다.전선 / 대학원
우리는 생성형 AI의 시대에 살고 있으며, 생성형 AI가 생성하는 컨텐츠들은 실제와 구별하기 어려울 정도로 발전하고 있다. 본 수업은 생성형 AI의 발전 과정, 수학적 표현법, 대표적인 최신 생성 모델을 다룬다. 본 수업은 두 개의 세션(강의 세션 및 발표 세션)으로 나뉘어진다. 수업의 절반은 생성 모델의 기본 아이디어와 컨셉에 대해 탐구하고, 두 번째 세션에서는 학생이 직접 추천된 논문을 읽고 발표하는 시간을 가진다. 최종적으로 선택된 논문을 바탕으로 새로운 아이디어를 제시하고 발표하는 시간을 갖는다. 본 수업 수강을 위해서, 확률 통계, 랜덤프로세스, 머신러닝, 및 딥러닝 교과목 수강을 선행으로 수강하는 것을 추천한다.전선 / 대학원
본 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.전선 / 대학원
본 과목에서는 지능형시스템의 이론 및 구현의 바탕이 되는 수학을 다룬다. 컴퓨터 시스템, 로보틱스, 시스템 이론 등의 필수가 되는 대학원 수준의 선형대수를 비롯한 여러 주제의 응용수학을 배우며, 엄밀한 증명보다는 개념의 이해와 실제 응용을 목표로 한다.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.