최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
머신러닝과 인공지능 분야가 보여주고 있는 놀라운 발전의 근간에는 자연 현상을 수학 문제로 기술한 뒤 수많은 현대 수학의 도구를 이용해서 풀어낸 수학의 틀이 존재한다. 따라서 이같은 수학의 핵심 원리를 모른 채 이미 라이브러리화된 것을 단순하게 사용하여 학습하는 것으로는 한계에 봉착할 수 있다. 본 강의의 목적은 수강생이 머신러닝을 이해하는데 있어 필요한 수학을 프로그래밍과 연계하여 학습하는데 있다. 이를 위해 본 강의는, 수학의 단위 주제 강의 후 즉시 프로그래밍 실습을 통해 익히는 마이크로러닝 방식으로 운영한다. 머신러닝 알고리즘을 직접 다루지 않으나, 대수학, 미적분학, 선형대수, 기하학과 같이 머신러닝 학습 및 강좌에 필수적으로 요구되는 내용을 다루며, 수업에서 사용하는 프로그래밍 언어는 파이썬이다. 본 강의는 이공계 고교 수학 이상의 지식을 갖추고 있으나 프로그래밍 지식을 갖추고 있지 않은 학생을 주 대상으로 한다.
GAN 인 액션 : 텐서플로 2.x와 케라스로 구축하는 생성적 적대 신경망
(그림으로 이해하는) 비전공자를 위한 딥러닝
데이터 분석과 인공지능 활용
파이썬으로 배우는 머신러닝의 교과서 : 그림으로 이해하고 코드로 확인하는 머신러닝, 딥러닝 기초
개발자를 위한 머신 러닝 : 머신 러닝 시작이 막막한 개발자를 위한 안내서
코딩 뇌를 깨우는 파이썬 : 문제 해결 능력을 키우는 컴퓨팅 사고부터 알고리즘, 데이터 분석, 머신러닝까지
머신 러닝을 위한 수학 with 파이썬, R =
(Must Have) 데싸노트의 실전에서 통하는 머신러닝 : 실무와 캐글에서 통하는 TOP 10 알고리즘으로 시작하라
(딥러닝을 위한) 파이토치 입문 = 지도, 비지도, 준지도, 전이, 메타 학습까지
(김도형의) 데이터 사이언스 스쿨 : 수학편
머신러닝을 위한 수학 : 핵심 알고리즘 3가지로 배우는 최적화
딥러닝을 위한 파이토치 입문 지도, 비지도, 준지도, 전이, 메타 학습까지 /
(인공지능 교육단체 OUTTA와 함께하는!) 머신러닝 첫 단추 끼우기 =
Artificial intelligence in wireless robotics
(기본 알고리즘 및 적용 예제, 사례 연구로 살펴보는) 데이터 예측을 위한 머신 러닝
머신러닝
머신러닝과 경제·금융 시계열 예측 : R과 Python을 활용한 실습 중심 입문서
(수학과 함께하는) AI 기초 : 파이선 프로그래밍 첫걸음
(R로 알아가는) 머신러닝과 통계, 수학 =
(선형대수와 통계학으로 배우는) 머신러닝 with 파이썬 : 최적화 개념부터 텐서플로를 활용한 딥러닝까지
최재길; 심상길 · 2024
교양교육연구
Jae Gil Choi; Sang Kil Shim · 2024
The Korean Association of General Education
聂秀山; 袁艺; 刘新锋; 袭肖明 · 2022
大学教育 / University Education
闫静杰; 朱康; 唐贵进; 魏昕; 庄文芹; 朱辰琦 · 2024
高教学刊 / Journal of Higher Education
刘波; 崔浩; 万平; 王森华; 李培培 · 2018
中国信息技术教育 / China Information Technology Education
Matt Hodgson · 2024
Physics World
唐费颖 · 2019
上海中学数学 / School Mathematics in Shanghai
左晓敏 · 2017
中国乡镇企业会计 / Chinese Enterprise Accounting of Villages and towns
Sanft, R.; Ziegler-Graham, K. · 2018
PRIMUS
Shapiro, R.B.; Fiebrink, R.; Norvig, P. · 2018
Communications of the ACM
郑丽兵 · 2024
数学教学通讯 / SHUXUE JIAOXUE TONGXUN
周强 · 2021
数学教学通讯 / SHUXUE JIAOXUE TONGXUN
陈智敏; 黄细光; 宋新波 · 2022
中国信息技术教育 / China Information Technology Education
韩兵; HAN Bing · 2022
数字通信世界 / Digital communication World
Eunhhee Roh; Moonki Cho · 2024
The Korean Association of General Education
de Oliveira, Catarina Félix; Sobral, Sónia Rolland; Ferreira, Maria João; Moreira, Fernando · 2024
Procedia Computer Science
张福 · 2023
小学教学参考 / Reference for Primary School Teaching
周文文 · 2017
现代职业教育 / Modern Vocational Education
余卿; 李悦园 · 2020
学周刊 / Learning week
陈志权 · 2021
黑河教育 / Heihe Education
전선 / 학사
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.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 / 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
본 과목은 자연과학대학 학부생을 대상으로 하여, 세부 학부/학과에 관계없이 자연과학대학 학부생이 함양해야 하는 프로그래밍 및 인공지능 지식을 갖추도록 돕는 것을 목표로 합니다. 특히 프로그래밍 및 인공지능과 관련된 방대한 내용 중 자연과학을 전공하는 데 실질적으로 필요한 전산학, 계산과학, 통계학, 심층신경망 분야의 기초지식을 습득하고, 그에 대한 실습을 직접 해보도록 하는 데 초점을 맞춥니다. 이는 자연과학대학의 기존 인공지능/계산과학/데이터과학 전공과목의 수강에 앞서, 학부생들이 프로그래밍 능력과 함께 이를 자연과학의 문제에 직접 적용할 수 있는 능력을 갖추도록 하기 위함입니다. 본 과목에서는 이론과 실습을 병행하여, 향후 자연과학 연구에서 맞닥뜨릴 수 있는 실제 문제와 데이터를 인공지능을 이용하여 다루고 해결해 볼 수 있는 기회를 학부생들에게 제공하고자 합니다. 기초 수준의 컴퓨팅/프로그래밍 능력을 갖춘 학생은 본 과목을 이수한 후, 자연과학의 세부 분야에서 인공지능과 프로그래밍이 어떻게 활용되는지 이해하고, 향후 연구에 직접 활용할 수 있는 능력을 함양하게 될 것입니다.전선 / 대학원
인간과 같은 구조와 원리로 인간지능을 재현해 내는 인공지능 기술의 발달로 그간 자동화와 전산화의 영역의 밖이었던 제조 영역 곳곳에 혁신을 가져올 것으로 기대되고 있다. 본 과목은 제품의 제조에 있어 인공지능 기술을 어떻게 활용할 수 있는지 그 근본 원리와 가능성 그리고 한계에 대해 이해하는 것을 목표로 한다. 이를 위해 제품 검사, 예측과 유지보수 뿐만이 아니라, 제품 설계, 재료 발견 및 설계, 지능기반 제조기계를 포함하는 제조 흐름마다의 현장 수요와 문제점, 그리고 그 문제를 해결할 수 있는 구체적 기술을 이론과 실제 제조 공정의 사례와 데이터로 익히게 된다.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 / 학사
인공지능은 사람의 생각과 행동을 모사하고, 이성적인 행위를 통하여, 주어진 목적을 달성하는 시스템을 연구하는 학문 분야이다. 본 수업에서는 인공지능 시스템을 구성하기 위한 다양한 방법론을 논한다. 이는 효율적인 탐색, 지식의 표현, 불확실성에 대한 이해, 상관관계와 인과관계에 대한 이해, 시각, 음성, 자연어 등의 처리, 학습 등을 포함한다. 이를 통해 학생은 인공지능의 핵심 원리와 기술에 대해 수학적, 논리적, 정성적, 정량적, 확률 통계적, 학습적 관점 등으로 종합적인 이해를 한다.전선 / 대학원
본 코스에서는 선형, 비선형, 정수, 동적, 확률적인 최적화 기법에 대해 강의한다. 각 기법에서 어떻게 바람직한 측면을 최대화 하고 부적적인 측면을 최소화 할 수 있는가를 보여 줄 수 있는 예제들을 제시하게 될 것이다. 특히 산업 뿐 아니라 컴퓨터 프로그램에서 선형, 비선형 문제를 풀기위한 응용문제를 강조하게 될 것이다.전선 / 학사
학습시스템은 환경과의 상호작용을 통한 경험으로부터 지식을 습득하여 스스로 성능을 향상시키는 시스템이다. 기계학습은 학습시스템의 핵심인 경험으로부터 획득한 데이터로부터 모델을 자동으로 생성하고 이를 기반으로 미래 를 예측하는 계산구조와 알고리즘을 연구하는 컴퓨터공학의 한 분야이다. 기계학습은 인터넷 정보검색, 텍스트마이닝, 컴퓨터비젼, 로보틱스, 게임 뿐만 아니라 생명과학과 비즈니스 데이터마이닝 등에 성공적으로 활용되었다. 최근 들어 모바일폰, 스마트 TV등에서 사용자 모델링과 개인화 추천 서비스에 사용되고 있으며 컴퓨터구조, 컴파일러, 운영체제, 통신망 시스템의 모델링 및 성능 예측 등 컴퓨터공학의 다양한 분야에서 널리 활용되고 있다. 본 교과목은 감독학습, 무감독 학습, 강화학습 등 기계학습의 기본 개념과 원리, 여러가지 학습 방법에 대한 모델 구조와 학습 알고리즘 및 그 수학적인 기반를 제공하는 것을 목적으로 한다. 패턴분류, 확률관계모델링, 순차적 의사결정과정에 대한 구체적인 학습 구조와 알고리즘을 살펴보며 실제 응용문제 해결을 위한 미니 프로젝트를 통하여 그 활용 방법을 습득한다.전선 / 학사
본 강좌는 딥러닝 등 기계학습 기반 인공지능 및 관련 분야에 관심있는 수강생을 대상으로 하는 학부 교과목으로 인공지능 분야의 핵심이 되는 기계학습의 개념 및 응용을 소개하고, 주요 기계학습 알고리즘 및 모델들에 대해 학습한다. 과제 및 프로젝트를 통해 최신 기계학습 기법의 심층적 이해와 실제 구현 기회를 부여한다. 주요 내용으로는 학습이론, 선형모델 (선형회귀, 선형분류, Logistic 회귀), Support Vector Machine, 인공신경망, 순차모델, 기초 딥러닝 모델 (MLP, CNN, RNN), 앙상블 학습 등을 포함한다. 선수과목: 데이터구조 혹은 알고리즘, 선형대수, 확률변수, 프로그래밍 방법론전선 / 대학원
본 강좌는 의사결정 모델을 통하여 복잡한 경영문제들을 해결할 수 있는 기법들을 제공하고 정형화된 모델과 계량적 분석을 틀로 불확실하고 경쟁적인 경영환경들을 분석할 수 있는 모델을 제시한다. 이 과목은 확률론이나 의사결정 모형들을 기본으로 수송문제, 설비배치와 같은 문제들을 분석한다.전선 / 대학원
본 과정은 선형 시스템, 전달 함수, 라플라스 변환에 대하여 소개한다. 안정성과 피드백을 다루고 과도 응답 사양을 위한 기본 설계 도구를 제공한다. 또한 주파수 영역 기술도 간략하게 다룬다. 이 과정에는 컴퓨터 프로그래밍 실습 및 제어 설계 프로젝트가 포함된다. 실습 프로젝트에 관련된 전공은 조선해양공학은 물론 로봇공학, 기계공학, 전자공학, 전기공학, 산업응용수학 등이다.교양 / 학사
컴퓨터를 처음 접하는 학생들을 대상으로 컴퓨터에 대한 일반적인 기초개념 등을 설명하고, 프로그램이 수행되는 과정과 프로그램 작성을 위한 논리적인 사고에 대하여 강의한다. 이와 같은 기초 지식을 바탕으로 Python 언어를 사용하는 방법을 습득한다. 일부 공과대학 학부/학과에서는 포트란, C 언어, 또는 Matlab을 사용하는 법을 익힌다. 매주 2시간의 실습을 통하여 프로그래밍 기법을 배양하도록 한다.전선 / 학사
인공지능의 발전 및 데이터의 축적으로 최근 재료공학분야에서 기계학습이 활발히 적용되고 있고 새로운 재료설계방법으로 떠오르고 있다. 본 강좌에서는 학생들에게 기계학습 및 통계추론에 대한 기초 이론 및 파이썬을 이용한 라이브러리 활용 방법을 강의한다. 이를 바탕으로 학생이 실제 재료 데이터에 기계학습을 적용하고 해석하는 방법을 익히도록 한다.전선 / 대학원
이 강좌는 교수 및 학습을 개선하기 위한 학습과학의 다양한 연구주제와 이론을 탐구한다. 학습에 대한 인지적, 정의적, 사회문화적 접근을 비판적으로 검토하고 첨단 테크놀로지를 활용하여 교수 및 학습을 향상시키기는 방안에 대해 논의한다. 설계기반 연구방법을 적용한 학습과학 연구를 체계적으로 검토하고 해당 연구방법을 적용하여 연구 계획서를 작성한다.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
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.전선 / 학사
본 수업에서는 데이터를 이용한 모형의 추론과 예측모형 생성을 배우며, 그 과정을 통해 질문의 구조화, 데이터 수집과 정리, 통계추론, 예측모델링, 의사결정과정의 핵심원리를 배운다. 중급수준의 데이터의 변환, 데이터 정제, 모형적합, 모형선택, 모형진단 등에 대한 기초이론을 배우며, 데이터 실습을 통해 그 과정을 익힌다.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
본 코스에서는 선형, 비선형, 정수, 동적, 확률적인 최적화 기법에 대해 강의한다. 각 기법에서 어떻게 바람직한 측면을 최대화 하고 부적적인 측면을 최소화 할 수 있는가를 보여 줄 수 있는 예제들을 제시하게 될 것이다. 특히 산업 뿐 아니라 컴퓨터 프로그램에서 선형, 비선형 문제를 풀기위한 응용문제를 강조하게 될 것이다.