최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
강동헌, 박지영, 은선덕
2022 / 한국리듬운동학회지
Ai
2018 / Korean Journal of Radiology
데이터가 존재하지 않습니다.
loading...
데이터 마이닝 : 개념과 기법
3D geoinformation science: the selected papers of the 3D GeoInfo 2014
MATLAB Deep Learning : With Machine Learning, Neural Networks and Artificial Intelligence
Computer Vision – ECCV 2022 : 17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part XXVIII
(그림으로 배우는) StatQuest 머신러닝 강의
머신러닝 딥러닝 바로가기 : 구글 클라우드 플랫폼을 활용한 실전 개발
High-Performance Computing and Big Data Analysis : Second International Congress, TopHPC 2019, Tehran, Iran, April 23–25, 2019, Revised Selected Papers
그림으로 배우는 딥러닝
Scikit-learn으로 머신 러닝 마스터 : 지도 학습, 비지도 학습, 강화 학습 : 핵심 기법 이해와 활용
Deep learning for hydrometerology and environmental science
시계열 예측과 분석 : 통계적 모형·혼합형 모형·딥러닝 모형
줄리아 머신러닝, 딥러닝, 강화학습 : 빠르고 우아하게 데이터 분석부터 강화학습까지 인공지능 실무 스킬업
텐서플로와 케라스로 구현하는 딥러닝 3e
임베디드 보드 기반 딥러닝 응용 : NVIDIA Xavier NXJetson TX2를 기반으로
(건설공학도를 위한) 딥러닝 기초
Object detection with deep learning models : principles and applications
핸즈온 머신러닝 : 사이킷런, 케라스, 텐서플로 2로 완벽 이해하는 머신러닝, 딥러닝 이론&실무
Urban analytics with social media data : foundations, applications and platforms
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
IEEE Transactions on Geoscience and Remote Sensing
Aditya, Aditya; Lohani, Bharat; Aryal, Jagannath; Winter, StephanPFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science
Döllner J.IEEE Sensors Journal
Nagy B.,Benedek C.Remote Sensing
de Gélis I.,Lefèvre S.,Corpetti T.Engineering Applications of Artificial Intelligence
Zhou Y.,Ji A.,Zhang L.,Xue X.Forests
Li J.,Liu J.Journal of Real-Time Image Processing
Krishna Kumar, K. P.; Paul, VargheseRobotics and Autonomous Systems
Seo J.H.,Kwon D.S.ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 35, NEURIPS 2022
Qian, Guocheng; Li, Yuchen; Peng, Houwen; Mai, Jinjie; Hammoud, Hasan Abed Al Kader; Elhoseiny, Mohamed; Ghanem, BernardJournal of Electronic Imaging
Wang, Y.; Xiao, S.Neurocomputing
Muzahid, A.A.M.; Han, H.; Zhang, Y.; Sohel, F.; Li, D.; Zhang, Y.; Jamshid, J.한국측량학회지
유은진, 윤성구, 이동천Remote Sensing
Poliyapram V.,Wang W.,Nakamura R.IEEE Latin America Transactions, Latin America Transactions, IEEE (Revista IEEE America Latina), IEEE Latin Am. Trans.
Ramirez Pedraza, Alfonso; Gonzalez Barbosa, Jose Joel; Hurtado Ramos, Juan B.; Garcia Moreno, Angel Ivan; Ornelas Rodriguez, Francisco Javier; Gonzalez Barbosa, Erick AlejandroISPRS Journal of Photogrammetry and Remote Sensing
Xia Y.,Xu Y.,Wang C.,Stilla U.Computers and Graphics (Pergamon)
Lugo G.,Li R.,Chauhan R.,Wang Z.,Tiwary P.,Pandey U.,Patel A.,Rombough S.,Schatz R.,Cheng I.Geo-Spatial Information Science
Yang B.,Haala N.,Dong Z.IEEE Geoscience and Remote Sensing Letters
Xu S.,Zhou X.,Ye W.,Ye Q.대한조선학회 논문집
이동건, 지승환, 박본영International Journal of Robotics Research
Roynard, X.; Deschaud, J.-E.; Goulette, F.전선 / 학사
AI를 이용하여 주차장 게이트에서 번호판을 인식후 주차장 게이트를 Open/deny 하는 과정을 구현한다. 자동차 번호판을 인식하기 위해 object-detection, Text Detection, OCR, Image Captioning, Generative Model 등 다양한 컴퓨터 비전 에 사용되는 딥러닝 모델들의 개요에 대해 배우고, GPU 서버를 이용하여 이 과정들을 구현한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC (AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 심화 강좌이다. 본 교과목은 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 심화된 내용을 다룬다. 머신러닝 토픽으로는 clustering, dimension reduction 등의 비지도학습, Bayesian networks, Markov Random Field 등의 Graphical models, 강화학습의 기초 등을 다루며, 딥러닝 토픽으로는 시퀀스 데이터를 다루는 RNN, Attention model, Transformer 모델을 이미지, 비디오, 텍스트 등 다양한 형태로 수집되는 데이터를 대상으로 다룬다. 또한 Variational Autoencoder, GAN 등의 생성 모델의 기초를 학습한다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 모델을 이용하여 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에서 정상 해부학적 구조물의 자동적 영역분할, CEP 계측점 자동적 탐지, 및 다양한 치과질환의 자동적 탐지 및 분류하는 딥러닝 모델과, 3D 치과 데이터에서 자동적 탐지, 분할과 분류하는 딥러닝 모델의 원리와 구조에 대해 수업함. 인공신경망과 딥러닝 소개 컴퓨터 비전을 위한 심층 컨볼루션 신경망 소개 딥러닝을 이용한 의료 및 치과영상 감지 및 인식 딥러닝을 이용한 의료 및 치과영상 분할 딥러닝을 이용한 의료 및 치과영상 등록 딥러닝을 이용한 컴퓨터 지원 진단(CAD)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 수업은 인공지능(AI)과 도시계획 및 설계 과정 시리즈 중 두 번째 과정이다. 이 수업은 심화 AI 알고리즘, 알고리즘의 응용프로그램, AI 응용프로그램의 문제와 같은 3가지 주요 부분을 포함한다. 이 과정에서는 다목적 최적화, 딥러닝, 강화학습을 포함한 정교하고 강력한 AI 알고리즘을 소개한다. 이 알고리즘은 단순화된 계획 및 설계 사례에서 예시로 제시된다. 또한, 해석 가능성, 책임성, 투명성 및 공정성과 같은 계획 및 설계에서 AI 적용의 근본적인 문제를 논의하고 설명가능한 AI 및 해석가능한 머신러닝(ML)의 개념을 소개한다. 마지막으로 도메인 지식과 AI 기술의 통합 및 도시분야의 미래 방향에 대한 토론으로 마무리된다.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 / 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
다양한 딥러닝 신경망(CNN 등) 알고리즘을 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에 적용하여 자동적 영역분할, 치과질환의 자동적 탐지 및 분류하는 방법을 실습함. 치과영상 데이터의 annotation 방법, 신경망 학습, 테스트 및 모델의 성능분석 등을 디지털 치과 데이터를 실제 컴퓨터 서버에 탑재하고 실습하여, 학생 스스로 딥러닝을 이용하여 치과영상을 분석할 수 있는 능력을 제공함. Getting Started with Deep Learning Using PyTorch Building Blocks of Neural Networks Diving Deep into Neural Networks Fundamentals of Machine Learning Deep Learning for Computer Vision Deep Learning with Sequence Data and Text Generative Networks전선 / 학사
세계적으로 유명한 반도체 회사에 소속된전문가들의 지도 아래 인공지능 반도체 기술에 대한 깊은 탐구의 기회를 제공한다. 수업을 통해 인공지능 반도체 기술의 핵심 원리와 다양한 응용에 대한 종합적인 이해를 얻게 되고, LLM(Large Language Model), Biomedical 분야 등에 인공지능 반도체를 활용하는 방안에 대해 국내외 전문가들의 주관으로 강의가 진행될 예정이다. 이를 통해 인공지능 반도체 기술의 장점과 한계를 명확히 파악하며, 현실 세계에서 혁신적인 해결책과 응용 사례를 제안할 수 있는 능력을 갖추게 된다.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 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 / 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
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 / 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
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 / 학사
이 과목에서는 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 특히 이러한 목적을 위한 기계 학습의 실용적인 기초와 새로운 패러다임을 소개하여 여러 실제 세계 도메인 응용에 어떻게 적용하는지 학습한다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.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 / 학사
“공간정보분석1: 통계모형”의 심화과정으로 해석모형과 달리 예측모형에 초점을 둔다. 공간 패턴의 학습과 예측에 접목할 수 있는 머신러닝과 인공지능의 주요 이론과 알고리즘을 소개하며 R/Python 코딩과 사례연구를 통해 실천적 공간데이터 사이언스의 기초를 제공한다. 이 강의는 머신러닝의 학습이론, 감독학습, 무감독학습, 신경망, 앙상블 학습을 주 내용으로 하며 공간 헤도닉 모형, 공간 클러스터와 아웃라이어 패턴, 가우시언 프로세스와 공간 크리깅 내삽, 공간의사결정 등 지리학적 활용을 연습한다.전선 / 대학원
본 강좌는 강화학습 분야의 다양한 알고리즘의 이론과 실제를 소개한다. Markov 의사 결정 프로세스의 기초를 배우고, 탐색 및 일반화를 포함한 강화학습의 핵심 과제 등을 다룬다. 실습을 통해 강화학습에서 사용되는 주요 알고리즘 기법(모델 기반, 모델 프리, 정책 경사 등)을 학습한다. 이 강좌를 통해 학생들이 강화학습의 기본 이론을 이해하고, (심층) 강화학습 알고리즘을 구현하는 것을 목표로 한다. • Markov 의사 결정 프로세스 • 테이블 형식 방법 • 함수 근사법을 이용한 강화학습(모델 기반 및 모델 프리 방법) • 정책 경사 • 탐색 및 활용