최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
데이터사이언스학과
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 첫번째 강좌이다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template과 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 또, (3) Pytorch, TensorFLow 등 널리 사용되는 딥러닝 플랫폼을 학습하고, 동일 학기 수강이 권장되는 머신러닝 및 딥러닝 1(ABC 과정 중 A 분야 첫번째 강좌)에서 배운 딥러닝의 기본 원리들을 직접 구현하고, 이에 더하여 상기 플랫폼을 통해 구현 할 수 있도록 한다.
loading...
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 첫번째 강좌이다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template과 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 또, (3) Pytorch, TensorFLow 등 널리 사용되는 딥러닝 플랫폼을 학습하고, 동일 학기 수강이 권장되는 머신러닝 및 딥러닝 1(ABC 과정 중 A 분야 첫번째 강좌)에서 배운 딥러닝의 기본 원리들을 직접 구현하고, 이에 더하여 상기 플랫폼을 통해 구현 할 수 있도록 한다.
C++ 알고리즘
Programming challenges : the programming contest training manual
Computability, complexity, and languages : fundamentals of theoretical computer science
컴퓨터과학개론 =
Handbook of discrete and combinatorial mathematics
Introduction to algorithms
C++ how to program
Data science for mathematicians
Deep learning : a visual approach
알고리즘 : 이론과 응용 =
Computational techniques of the simplex method
(객체지향 원리로 이해하는) Absolute C++
컴퓨터과학 총론
Introductory mathematical economics
Solving PDEs in C++ : numerical methods in a unified object-oriented approach
Probabilistic machine learning : an introduction
Starting out with C++ : early objects
Data mining and analysis : foundations and algorithms
컴퓨터 개론 : 쉽게 배우는 컴퓨터 기본 원리
Magers D.B.,Stan P.L.,King D.A. · 2019
Journal of Chemical Education
Theis, K. · 2015
Journal of Chemical Education
Joyce Vogel; Dan Bouhnik · 2024
European Journal of Education
Kutsukake, Kentaro · 2024
JOURNAL OF CRYSTAL GROWTH
Sztipanovits, J. · 2012
IT - Information Technology
Blackburn R.A.R.,Villa-Marcos B.,Williams D.P. · 2019
Journal of Chemical Education
李康; 程珺; 史江义 · 2021
工业和信息化教育 / Indusrty and Information Technology Education
Langbeheim E. · 2020
Journal of Chemical Education
Kaur A.,Chahal K.K. · 2023
Education and Information Technologies
Morris J.,Rafiev A.,Bragg G.M.,Vousden M.L.,Thomas D.B.,Yakovlev A.,Brown A.D. · 2023
IEEE/ACM Transactions on Computational Biology and Bioinformatics
张明键 · 2019
艺术科技 / Art Science and Technology
Uhanova, Marina; Prokofyeva, Natalya; Katalnikova, Sabina; Zavjalova, Oksana; Ziborova, Viktorija · 2023
Procedia Computer Science
Xie B.,Loksa D.,Nelson G.L.,Davidson M.J.,Dong D.,Kwik H.,Tan A.H.,Hwa L.,Li M.,Ko A.J. · 2019
Computer Science Education
Margulieux, L.E.; Liao, Y.-C.; Anderson, E.; Calandra, B.D.; Parker, M.C. · 2024
ACM Transactions on Computing Education
Haller, Istvan; Slowinska, Asia; Bos, Herbert · 2016
Empirical Software Engineering: An International Journal
冯艳君; 王红霞; 马秀丽; FENG Yan-jun; WANG Hong-xia; MA Xiu-li · 2021
沈阳工程学院学报(社会科学版) / Journal of Shenyang Institute of Engineering
김경훈 · 2006
컴퓨터교육학회 논문지
Metz I.K.,Bennett J.W.,Mason S.E. · 2021
Journal of Chemical Education
Eckerdal, A. · 2015
Studies in Higher Education
Benato, L.; Kasieczka, G.; Connor, P.L.S.; Krücker, D.; Meyer, M. · 2020
Journal of Instrumentation
전선 / 대학원
본 교과목은 응용 데이터사이언스를 위한 컴퓨팅의 원리를 가르친다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template와 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료 구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현할 수 있도록 한다. 또, (3) Pytorch, TensorFlow 등 널리 사용되는 딥러닝 플랫폼을 학습한다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 진입을 위한 기초 강좌로서, 컴퓨터 비전공자가 컴퓨팅 분야 기초 지식 및 프로그래밍 능력을 짧은 시간에 학습하여 배양하는 것을 목표로 한다. 본 교과목의 전반부는 Python 언어 프로그래밍과 초급 자료 구조로 이루어져 있다. (1) 데이터 타입, assignment, 메모리 모델, namespace, 함수, control flow, repetition, recursion, 파일 입출력, 객체 지향 프로그래밍 등 Python 언어 기초 문법과 프로그래밍의 원리를 습득한 후, (2) 기본적인 정렬 알고리즘과 배열, linked list, 큐/스택, hash, 트리, 그래프와 같은 다양한 자료 구조의 특성과 차이점을 이해하고, (3) 예제들을 통해 배운 자료 구조들과 프로그래밍 원리를 Python 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 컴퓨터 시스템 기초와 C 언어 프로그래밍으로 이루어져 있다. (1) 비트(Bit)와 데이터 타입, 반도체와 논리회로, 폰 노이만 모델 및 머신 코드, 컴퓨터 구조의 핵심 아이디어 등 컴퓨터 시스템의 기초 원리를 이해하고, (2) 배열, 포인터, 메모리 구조, structure, dynamic memory allocation 등 C 언어 기초 문법 및 프로그래밍의 원리와 하드웨어-소프트웨어 상호작용을 습득하며, (3) 예제들을 통해 배열/linked list/큐/스택을 C 언어를 사용하여 직접 구현 할 수 있도록 한다.전선 / 학사
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.전선 / 대학원
현대 데이터사이언스 이론과 기술의 발전은 기반이 되는 컴퓨팅 시스템의 기본 구조와 동작 방식에 대한 이해를 필요로 한다. 이 과목에서는 데이터사이언스 전 주기에 걸쳐 활용되는 컴퓨팅 시스템에 대한 기본 개념과 요소들을 배우고, 실습을 통해 시스템을 폭넓게 활용하고 성능을 개선하는 방법론을 학습한다. 먼저 프로세서 파이프라인, 메모리 계층 구조, 가상 메모리, 프로세스/스레드, 파일 시스템, I/O, 병렬 실행과 동기화, 에러 처리와 같은 시스템 구성 요소와 개념들에 대해 배우고, 자원관리 도구 및 네트워크 라이브러리들을 활용하고 시스템 프로그래밍을 통해 기능 구현과 성능 개선을 실습하는 랩을 병행하여 진행한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 기초 강좌이다. 본 교과목은 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.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC (AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 기초 강좌이다. 본 교과목은 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.전선 / 대학원
"데이터사이언스를 위한 프로그래밍 실습" 강의는 다양한 데이터 구조와 알고리즘을 바탕으로 한 문제해결을 통해 실제 프로그래밍 능력을 향상시키는 것을 목표로 하는 교과목입니다. 데이터사이언스 분야에서 마주할 수 있는 실제 도전 과제들을 효과적으로 해결할 수 있는 능력을 갖추기 위해, 기초부터 복잡한 데이터 구조와 고급 알고리즘 적용에 이르는 내용을 포괄하는 실습 강의를 제공합니다. 이 과정은 이론적 지식과 실용적 적용 사이의 다리 역할을 하며, 데이터를 분석, 시각화, 해석하는 데 필요한 견고한 기술 세트를 개발하도록 돕습니다. 이를 통해, 학생들은 이론적 개념을 실제 통찰력으로 전환할 수 있는 능력을 갖추게 됩니다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 두번째 강좌이다. 본 교과목의 전반부는 (1) 순차 컴퓨터 시스템의 구조와 동작원리를 배워 시스템 프로그래밍 능력을 배양하며, (2) Process management, CPU scheduling, 네트워크의 기초 등 Linux 시스템의 전반적인 동작원리를 배운다. 강좌의 중반부는 (1) 병렬처리 시스템의 구조와 동작원리를 배운 뒤, (2) 병렬화, 최적화 기법 등을 다루며, (3) 딥 러닝 시스템에 대한 최적화 기법 등을 다룬다. 본 교과목의 후반부에서 (1) 병렬처리 시스템을 프로그래밍하는 다양한 방법들 중 OpenMP, MPI, OpenCL, CUDA 로 병렬처리 시스템을 프로그래밍하는 방법을 배우며, 마지막으로 (2) Spark와 같은 distributed processing platform 및 (3) Dockers와 Kubernetes와 같은 virtualization에 대하여 다룬다.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
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
본 과목에서는 특히 거대한 계산 혹은 병렬계산에서 계산의 효율성을 높이고 병목현상을 줄이기 위하여 과학적 프로그래밍 코딩에 사용되는 거대한 자료구조에 대하여 배운다. Array, recursion, sorting, pointer, stack and queue, link, graph, path, tree구조 등 자료구조의 기본을 배우고 이들의 구조를 이용하여 효율적인 알고리즘을 작성하도록 한다.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 / 학사
여러 가지 문제를 컴퓨터로 해결하기 위한 다양한 방법론이라 할 수 있는 알고리즘을 본 과목에서는 소개한다. 특히 알고리즘 분석 기법을 통해 효율적인 알고리즘을 개발하고 이해할 능력을 키운다. 또한 컴퓨터가 풀 수 있는 쉬운 문제와 어려운 문제를 구별하기 위한 NP-complete 이론을 배우며 어려운 문제를 해결하기 위한 근사 알고리즘을 소개한다.전선 / 학사
본 강의는 C 언어를 기반으로 기초 수준의 컴퓨터 프로그래밍 기술을 습득하고자 하는 학생들을 대상으로 한다. 수강생들은 본 강의를 통해 C 언어의 기본 문법, 절차적 프로그래밍 개념, 포인터와 메모리 관리, 그리고 언어의 주요 기능에 대한 이해를 넓히고, 이를 바탕으로 효율적인 문제 해결 능력을 배양한다. 또한, 실습과 과제를 수행하면서 실전 프로그래밍 능력을 키우고, 실질적인 구현 능력과 논리적 사고력을 함양하는 데 중점을 둔다.전선 / 학사
데이터마이닝은 대용량 데이터에서 유용한 패턴을 찾기 위한 이론과 기법을 의미한다. 데이터마이닝은 웹, 사기 탐지, 추천 시스템, 사이버 보안 등 중요한 응용에 활용되고 있다. 본 과목에서는 데이터마이닝을 위한 중요 알고리즘과 이론을 설명한다. 주요 학습 주제로 mapreduce, 유사 아이템 검색, 빈발 패턴 검색, 링크 분석, 데이터 스트림 마이닝, 클러스터링, 그래프 마이닝 등을 다룬다.전선 / 학사
프로그램의 경험이 없는 초보자를 위해서 C 프로그래밍 언어의 문법과 기초 프로그래밍 기법을 강의한다. 프로그래밍 실습을 통하여 프로그래밍 실력을 배양시키는 것이 강의의 목표이다.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
이 과목에서는 자연어처리에 대한 간단한 소개와 함께, 대표적인 인공신경망 기법들이 자연어처리 어떻게 적용되는지 살펴본다. 최근 일상생활에서도 많이 쓰이는 자연어처리는 인공신경망의 성장과 함께 비약적인 발전을 보였다. 인공신경망을 이용한 딥러닝 기법은 이론적인 면뿐만 아니라, 효율적 계산과 최적화 등의 실험적인 요소가 많아 실습이 중요하다. 이 과목을 듣기 위해서는 기계학습에 대한 기본적인 이해와 파이썬, 딥러닝 모형을 사용하는 능력이 요구된다. 이 강좌는 학생들이 자연어처리의 최근 방법론을 학습하고, 실제 구현하는 능력을 배양하며, 마지막으로 최근 방법론이 가진 한계점, 미래 연구주제에 관해 탐구한다.전선 / 대학원
본 과목은 데이터사이언스를 전공하는 학생들의 다양한 관련 분야 경험을 위해 학교 내에서 강의를 통해 습득한 지식이 어떻게 응용되는지를 배우는 것을 목표로 한다. 기본강의를 통하여 문제의 접근, 분석, 결과를 정리하고 실습을 통해 데이터사이언스 지식의 적용현황을 체험하며 이를 발전시킬 수 있는 새로운 방법론을 모색한다. 이 과목은 데이터사이언스 대학원 전공 학생으로 하계 인턴 프로그램에 참가한 학생에 한한다.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.