최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 한국프로야구(KBO) 투구 데이터를 활용하여 딥러닝 기반 1D-CNN 헛스윙 예측 모델을 개발하고 적용하는 것을 목표로 한다. 개발된 모델은 86.22%의 정확도, 84.00%의 정밀도, 86.45%의 재현율, 83.77%의 F1-score를 보였으며, SHAP 분석을 통해 스트라이크존 좌표, 스트라이크/볼 카운트, 투구 속도 등이 중요한 변수로 확인되었다.
메이저리그 야구 통계학 : 2e : 빅데이터 분석과 머신러닝의 시작 R
데이터 마이닝 : 개념과 기법
Applications of Machine Learning
메이저리그 야구 통계학 : 빅데이터 분석의 시작 R
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
Advanced topics in artificial intelligence : 12th Australian Joint Conference on Artificial Intelligence, AI'99, Sydney, Australia, December 6-10, 1999 : proceedings
Research and development in knowledge discovery and data mining : Second Pacific-Asia Conference, PAKDD-98, Melbourne, Australia, April 15-17, 1998 : proceedings
(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향
데이콘 경진대회 1등 솔루션 : 다양한 분야의 데이터를 분석하면서 발견하는 데이터 인사이트와 분석 노하우
프로야구 스카우팅 리포트 2010
Intelligent Computing Theories and Application : 15th International Conference, ICIC 2019, Nanchang, China, August 3–6, 2019, Proceedings, Part II
Afro-European conference for industrial advancement : proceedings of the First International Afro-European Conference for Industrial Advancement AECIA 2014
Artificial Intelligence Applications and Innovations : 17th IFIP WG 12.5 International Conference, AIAI 2021, Hersonissos, Crete, Greece, June 25–27, 2021, Proceedings
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
Advances in intelligent data analysis : third international symposium, IDA-99, Amsterdam, The Netherlands, August 1999 : proceedings
Intelligent Computing Methodologies : 15th International Conference, ICIC 2019, Nanchang, China, August 3–6, 2019, Proceedings, Part III
데이터가 뛰어노는 AI 놀이터, 캐글
Advances in Big Data : Proceedings of the 2nd INNS Conference on Big Data, October 23-25, 2016, Thessaloniki, Greece
그림으로 배우는 딥러닝
Engineering applications of bio-inspired artificial neural networks ; International Work-Conference on Artificial and Natural Neural Networks, IWANN'99, :proceedings
한국체육측정평가학회지
김주학, 조선미, 강지연한국체육측정평가학회지
조선미한국빅데이터학회 학회지
김태훈, 임성원, 고진광, 이재학한국체육측정평가학회지
김주학; 조선미APPLIED SCIENCES-BASEL
Huang, Mei-Ling; Li, Yun-Zhi한국체육측정평가학회지
조선미, 김주학, 강지연, 김상균Entropy
Li S.F.,Huang M.L.,Li Y.Z.Bioinspiration and Biomimetics
Xu W.H.,Xu G.D.,Shan L.한국체육학회지
김필수; 이상현; 전성삼차세대융합기술학회논문지
한정섭, 정다현, 김성준IEEE Sensors Journal, Sensors Journal, IEEE, IEEE Sensors J.
Park, C.; Baek, H.; Chae, Y.; Lim, H.; Lee, J.; Lee, S.Multimedia Tools and Applications
Le V.H.ICT Express
Oh Seunghyun, Kim HeewonModelling and Simulation in Engineering
Shymanskyi, V.; Klymenok, I.International Journal of Precision Engineering and Manufacturing - Green Technology
Selvaraj V.,Xu Z.,Min S.Expert Systems with Applications
Prince ,Hati A.S.Information Processing in Agriculture
Hao Z.,Li M.,Yang W.,Li X.Journal of Intelligent Information Systems
Abdellah El Zaar; Amine Mansouri; Nabil Benaya; Toufik Bakir; Abderrahim El Allati한국체육학회지
김필수; 이상현; 전성삼Proceedings of the Institution of Mechanical Engineers, Part P: Journal of Sports Engineering and Technology
Jayakumar, Brindha; Govindarajan, Nallavan전선 / 대학원
본 교과목에서는 선박설계를 위한 다양한 인공지능 방법을 배우고 이의 응용 사례를 살펴보는 것을 목적으로 한다. 먼저 선수 과목 등을 통해 학습한 여러 딥 러닝 기법, 즉 DFN (Deep Feedforward Network), RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), 강화 학습 (Reinforcement Learning) 등의 개념을 복습한다. 이후, 설계 분야를 기본설계, 생산설계, 운항설계 등으로 구분한 뒤, 각 분야에서 인공지능이 필요한 사례를 학습한다. 기본설계에서는 도면 내 객체 및 텍스트 인식, 해기상 및 선박 소요 마력 예측 등의 사례를 살펴본다. 생산설계에서는 블록 탑재를 위한 크레인 제어 등의 사례를 살펴본다. 운항 설계에서는 영상 기반 선박 주변 장애물의 탐지 및 추적, 선박의 충돌 회피 등의 사례를 살펴본다. 끝으로 학생들은 설계 분야의 특정한 주제에 대해 인공지능을 활용한 문제 해결 방법에 대해 Term Project를 수행한다.교양 / 학사
본 강좌는 AI와 머신러닝의 기초 개념을 이해하고, 이를 실제 데이터에 적용하여 예측 및 분류 문제를 해결하는 능력을 배양하는 것을 목표로 한다. 기초적인 데이터 처리 방법부터 머신러닝과 딥러닝 모델에 이르기까지 다양한 주제를 다루며, Pandas, Scikit-learn, PyTorch 등의 라이브러리를 사용하여 데이터를 처리하고 모델을 구현한다. 또한, TV 광고 데이터를 활용한 매출 예측, 신용카드 연체 예측 등 실생활 문제를 다루어 AI 기술이 실질적으로 활용되는 사례를 제공하며, 학생들이 데이터를 통해 실제로 문제를 해결하는 과정에서 얻는 성취감을 높이고자 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 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 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 / 학사
과학연구와 산업응용에서의 과정개선, 비용절감 및 복잡한 시스템에 대한 이해를 위한 효과적인 데이터 수집과 분석의 방법을 배운다. 하나의 요인에 대한 완전확률화법, 라틴방격법, 요인배치법, 블록계획, 일부실시법, 반응표면분석 등의 이론을 소개하고 각 계획법에 따라 수집된 자료의 분석 방법을 배운다. 선수과목으로서는 <회귀분석 및 실습>이 요구된다.전선 / 대학원
체육측정평가연구는 체육과 스포츠 현장에서 양적 분석과 관련된 검사도구나 측정치의 평가와 관련된 제반 이론이다. 신뢰도, 타당도, 타당도일반화, 고전검사이론, 문항반응이론 등에 대한 내용을 강의한다.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 / 학사
본 과목은 AI의 이론적 개념들을 이해하고, 실습을 통해 빅데이터 분석 및 예측 모델 생성, 분류 작업과 같은 AI 관련 역량을 갖도록 한다.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 / 대학원
본 과목에서는 효율적인 알고리즘 설계와 프로그래밍을 위한 고급 방법론과 이론을 깊이 있게 소개하고, 다양한 실습을 통하여 해당 이론들을 체득한다. 이 과정에서 공부하는 내용들은 Sorting, Searching 그리고 Graph Theory, NP―Complete 등이며, 알고리즘 설계 방법으로는 Divide―and―Conquer, Dynamic Programming, Greedy, Randomized 그리고 Approximate 알고리즘 등에 관하여 공부한다. 여러 가지 유용한 문제들에 대해 알고리즘을 설계하고 실제 프로그래밍을 통하여 구현해 봄으로서 강의시간에 소개된 이론을 실습하고 시스템 구현에 필요한 노하우를 습득한다.전선 / 학사
4차 산업혁명의 핵심기술인 인공지능(딥러닝)의 배경지식과 활용방법을 습득하며, Convolutional Neural Networks 와 Recurrent Neural Networks 에 관한 지식과 활용법을 실습한다. 딥러닝 기본개념, Stochastic Gradient Descent, backpropagation 기법, 초기화기법, regularization 기법, 콘볼류션신경망(CNN), CNN 구조, 반복신경망(RNN), RNN의 응용, 강화학습을 다룬다. 이론은 기존 머신러닝과목에서 다루므로, 이론보다는 실용적 적용능력을 배양하기 이해 딥러닝 관련 소프트웨어 교육을 강조하며, Python에 관한 강의와 실습, Python 수학 라이브러리 numpy에 강의도 실시한다. 또한 Advanced deep learning library인 Tensorflow에 대한 강의와 실습도 병행한다.전선 / 대학원
노벨상을 수상한 AlphaFold는 통계 물리 이론에 기반한 확산(Diffusion) 기반 생성 모델을 활용하여 개발되었으며, 이는 최신 의료 인공지능 기술이 고급 확률 모델과 생성・추론 이론에 근거하고 있음을 시사합니다. 본 강의에서는 확산 기반 생성 모델(Diffusion Models)과 그 응용 기법을 포함한 최신 생성 및 추론 인공지능 모델의 핵심 이론을 확률론적 관점에서 체계적으로 탐구합니다. 특히, 확산 모델, 최적 확률 경로, 확률적 보간, 흐름 기반 모델 등의 최신 이론 기반 생성 기법의 데이터 분포 모델링 과정과 최적의 샘플을 생성・변환・복원・추론하는 과정을 심도 있게 분석합니다. 이를 통해 수강생들은 생성 및 추론 인공지능 모델의 확률적 구조와 수학적 원리를 이해하고, 최신 확산 기반 생성 모델 및 그 변형 기법들의 결과를 이론적으로 해석할 수 있는 능력을 갖추는 것을 목표로 합니다. 또한, 이러한 생성 및 추론 모델들이 의료 및 생의학 데이터를 포함한 다양한 도메인에서 어떻게 적용될 수 있는지를 이론적 관점 외 실습적 관점에서도 조망합니다. 궁극적으로, 본 강의는 생성 및 추론 인공지능 분야에서 어떻게 핵심 이론과 의료 분야 응용을 아우르는 전문성을 함양할 수 있도록 체계적인 학습 기회를 제공하는 것을 지향합니다.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.전선 / 대학원
본 강의는 빅데이터 관리 시스템을 다루는 대학원 수준의 과목으로, 전통적인 관계형 데이터베이스 관리 시스템(RDBMS)부터 최신 데이터 레이크하우스 아키텍처 및 벡터 데이터베이스까지 포함하여 최신 데이터베이스 시스템 설계(State-of-the-Art DBMS Design)를 중점적으로 다루게 됩니다. 또한, 클라우드 네이티브 하이브리드 트랜잭션/분석 처리(HTAP) 데이터베이스 시스템과 검색 증강 생성(RAG, Retrieval-Augmented Generation)기술을 활용한 AI 기반 데이터베이스 응용을 다룰 예정입니다. 이 강의를 통해 학생들은 다음과 같은 내용을 심도 있게 학습하게 됩니다. • 독립형 및 분산형 데이터베이스 관리 시스템(DBMS)의 최신 구현 기법 (e.g., cloud HTAP DBMSs). • OLTP(온라인 트랜잭션 처리), OLAP(온라인 분석 처리), 벡터 검색(Vector Search) 워크로드 간의 설계 트레이드오프와 데이터베이스 시스템에서의 설계 선택. • 벡터 데이터베이스(Vector Databases)개념 및 벡터 인덱싱 기술(예: HNSW, IVF, PQ, FAISS, ScaNN)과 고차원 데이터 검색을 위한 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 검색 알고리즘. • 전통적인 데이터베이스와 벡터 검색 기술의 통합, 그리고 이를 AI 기반 분석, 추천 시스템, LLM(대규모 언어 모델) 기반 검색 엔진에서 어떻게 활용할 수 있는지에 대한 이해. • 최신 데이터베이스 연구 논문을 비판적으로 분석하고, 이를 바탕으로 개선 방향을 도출하여 새로운 데이터베이스 기술을 제안하는 능력. 또한, 본 강의에서는 오픈소스 빅데이터 관리 프레임워크 및 클라우드 기반 플랫폼을 활용한 실습과 프로젝트를 통해, 현대적인 데이터베이스 시스템 및 벡터 검색 기반 아키텍처를 설계하고 최적화하는 실무 경험을 쌓을 수 있도록 합니다.전선 / 대학원
본 강의는 빅데이터 관리 시스템을 다루는 대학원 수준의 과목으로, 전통적인 관계형 데이터베이스 관리 시스템(RDBMS)부터 최신 데이터 레이크하우스 아키텍처 및 벡터 데이터베이스까지 포함하여 최신 데이터베이스 시스템 설계(State-of-the-Art DBMS Design)를 중점적으로 다루게 됩니다. 또한, 클라우드 네이티브 하이브리드 트랜잭션/분석 처리(HTAP) 데이터베이스 시스템과 검색 증강 생성(RAG, Retrieval-Augmented Generation)기술을 활용한 AI 기반 데이터베이스 응용을 다룰 예정입니다. 이 강의를 통해 학생들은 다음과 같은 내용을 심도 있게 학습하게 됩니다. • 독립형 및 분산형 데이터베이스 관리 시스템(DBMS)의 최신 구현 기법 (e.g., cloud HTAP DBMSs). • OLTP(온라인 트랜잭션 처리), OLAP(온라인 분석 처리), 벡터 검색(Vector Search) 워크로드 간의 설계 트레이드오프와 데이터베이스 시스템에서의 설계 선택. • 벡터 데이터베이스(Vector Databases)개념 및 벡터 인덱싱 기술(예: HNSW, IVF, PQ, FAISS, ScaNN)과 고차원 데이터 검색을 위한 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 검색 알고리즘. • 전통적인 데이터베이스와 벡터 검색 기술의 통합, 그리고 이를 AI 기반 분석, 추천 시스템, LLM(대규모 언어 모델) 기반 검색 엔진에서 어떻게 활용할 수 있는지에 대한 이해. • 최신 데이터베이스 연구 논문을 비판적으로 분석하고, 이를 바탕으로 개선 방향을 도출하여 새로운 데이터베이스 기술을 제안하는 능력. 또한, 본 강의에서는 오픈소스 빅데이터 관리 프레임워크 및 클라우드 기반 플랫폼을 활용한 실습과 프로젝트를 통해, 현대적인 데이터베이스 시스템 및 벡터 검색 기반 아키텍처를 설계하고 최적화하는 실무 경험을 쌓을 수 있도록 합니다.전선 / 대학원
인공 신경망을 기반으로 하는 심층 학습 (Deep Learning) 시스템들은 음성/이미지 인식, 번역, 자율 주행 등 다양한 인공지능 영역에서 광범위하게 확산되고 있으며, 관련 기술 또한 빠르게 발전하고 있는 바, 산업 전반에 걸친 시스템의 지능화를 위해, 심층 학습 모형에 대한 이해와 활용 능력이 점차 중요해지고 있다. 본 과목에서는 심층 학습의 주요 이론과 기법을 학습하는 것을 목적으로, 구체적으로 표현형 학습 (Representation Learning), 심층 피드포워드 신경망 (Deep Feedforward Networks), 합성곱 신경망 (Convolutional Neural Networks), 순환 신경망 (Recurrent Neural Networks), 심층 오토인코더 (Deep Autoencoders), 심층 생성 모형 (Deep Generative Models), 심층 강화학습 (Deep Reinforcement Learning) 기법들을 다루고, 이들을 이해하기 위한 기계학습 및 수리적 기초 이론들을 배운다. 또한, 본 과목은 심층 학습 모델을 활용하여 멀티미디어 데이터들을 대상으로 분류, 예측, 패턴 인식, 생성 모델을 구현하는 프로젝트들 및 심층 학습 응용 사례 연구들을 포함한다.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
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
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.