최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
환경설계학과
재식은 기능적으로나 심미적인 차원에서나 공히 조경설계에서 매우 중요한 부분을 차지하고 있다. 식물소재를 통해서 공간의 독특한 분위기와 의미를 전달하기 위해서는 재료사용의 설계적인 기법은 물론이고 공간을 조형적으로 재설정하고 재창조하는 조형의식이 배양되어야 한다. 본 설계과목은 식물소재를 기초로 해서 현실적으로 그러한 재료를 여하히 구사하여 원하는 공간을 만들 수 있을 것인가를 학습하고자 한다. 중요한 학습항목으로는 재식설계의 기본사고, 옥외공간의 특질, 중요소재의 해석, 시각설계, 소재사용의 기법, 설계양식과 유행, 설계연습 등이다.바이오시스템공학과
본 교과목의 목표는 스마트팜 분야의 다양한 형식의 데이터를 분석 및 활용하는데 필요한 기계학습 기술과 지식을 제공하는 것이다. 다양한 전공자가 쉽게 접근할 수 있도록 기계학습 방법론뿐 아니라 컴퓨터 언어, 확률 및 통계 등 기계학습 이해를 위한 기초적인 내용들을 포함한다. 수강자는 본 과목의 이수를 통해 기계학습의 전반적인 이해와 함께, 스마트팜 분야의 다양한 형식의 데이터에 대한 기초적인 분석 및 응용에 활용할 수 있으며 추후 심화과정을 위한 기초 지식으로 활용할 수 있다.
loading...
본 교과목의 목표는 스마트팜 분야의 다양한 형식의 데이터를 분석 및 활용하는데 필요한 기계학습 기술과 지식을 제공하는 것이다. 다양한 전공자가 쉽게 접근할 수 있도록 기계학습 방법론뿐 아니라 컴퓨터 언어, 확률 및 통계 등 기계학습 이해를 위한 기초적인 내용들을 포함한다. 수강자는 본 과목의 이수를 통해 기계학습의 전반적인 이해와 함께, 스마트팜 분야의 다양한 형식의 데이터에 대한 기초적인 분석 및 응용에 활용할 수 있으며 추후 심화과정을 위한 기초 지식으로 활용할 수 있다.
Computers in agriculture,1994: proceedings of the 5th international conference,6-9 February 1994,Orlando,Florida
ICTIoTAI 기술을 활용한 스마트팜 = 스마트팜 도입에 필요한 ICTIoTAI 개념 및 활용방법
Fundamentals of bioinformatics and computational biology : methods and exercises in matlab
Transforming Schools into Community Learning Centers
(한 권으로 다지는) 머신러닝&딥러닝 : with 파이썬
(한 권으로 다지는) 머신러닝&딥러닝 : with 파이썬
Systems medicine : integrative, qualitative and computational approaches
Introduction to database and knowledge-base systems
Markov models : understanding data science, markov models and unsupervised machine learning in python
알고리즘 중심의 머신러닝 가이드 : 파이썬코드 기반
機械学習のための確率と統計
Basic laboratory methods for biotechnology : textbook and laboratory reference
원예공학
인공지능 바이블 : 인공지능에 대한 모든 것 =
스마트제조 : A to Z
IoT and AI in Agriculture : Self- sufficiency in Food Production to Achieve Society 5.0 and SDG's Globally
Introduction to machine learning
周自云; 唐燕; 董娟娥; 梁宗锁; ZHOU Zi-yun; TANG Yan; DONG Juan-e; LIANG Zong-suo · 2022
高校生物学教学研究(电子版) / Biology Teaching in University
卿艳梅; 王慰祖; 曾山; QING Yanmei; WANG Weizu; ZENG Shan · 2024
中国农业教育 / China Agricultural Education
Marquioni V.,Nunes F.M.F.,Novo-Mansur M.T.M. · 2021
Journal of Chemical Education
Engelberger F.,Galaz-Davison P.,Bravo G.,Rivera M.,Ramírez-Sarmiento C.A. · 2021
Journal of Chemical Education
· 2015
Amstat News
蒋桂英; 李鲁华; 王江丽; 帕尼古丽; JIANG Gui-ying; LI Lu-hua; WANG Jiang-li; PA NI Gu-li · 2018
教育教学论坛 / jiaoyu jiaoxue luntan
刘斌; 李书琴; 孙健敏 · 2023
高教论坛 / Higher Education Forum
何海兵; 杨茹; 尤翠翠; 柯健; 武立权; He Haibing; Yang Ru; You Cuicui; Ke Jian; Wu Liquan · 2021
高等农业教育 / Higher Agricultural Education
Zareen Amtul; Kelvin Vuu; Mark Lubrick; Arham A. Aziz; Mohammed A. S. Khan · 2024
Journal of Chemical Education
· 2024
IOP Conference Series: Earth and Environmental Science
师文庆; 熊正烨; 赖学辉 · 2020
中国教育技术装备 / China Educational Technology & Equipment
李崧; 邓临新; LI Song; DENG Linxin · 2017
云南农业大学学报(社会科学版) / Journal of Yunnan Agricultural University(Social Science)
陈俊杰; 谢聪娇; 周艳青 · 2023
高教学刊 / Journal of Higher Education
李雪莲; 赵桂龙; 高泽斌; 郭俊先; 韩长杰; 张绢; Li Xuelian; Zhao Guilong; Gao Zebin; Guo Junxian; Han Changjie; Zhang Juan · 2020
高等农业教育 / Higher Agricultural Education
罗飞雪; 樊志军; LUO Fei-xue; FAN Zhijun · 2018
中国教育技术装备 / China Educational Technology & Equipment
Busta L.,Russo S.E. · 2020
Journal of Chemical Education
Romero R.M.,Bolger M.B.,Morningstar-Kywi N.,Haworth I.S. · 2020
Journal of Chemical Education
Ruwona, Justice; Scherm, Harald · 2022
Tropical Plant Pathology
施杰; 伍星; 潘楠; 张毅杰; 杨琳琳; 唐秀英; 李欢; SHI Jie; WU Xing; PAN Nan; ZHANG Yijie; YANG Linlin; TANG Xiuying; LI Huan · 2014
云南农业大学学报(社会科学版) / Journal of Yunnan Agricultural University(Social Science)
Johnson, Kipp W.; Shameer, Khader; Glicksberg, Benjamin S.; Readhead, Ben; Sengupta, Partho P.; Björkegren, Johan L.M.; Kovacic, Jason C.; Dudley, Joel T. · 2017
JACC: Basic to Translational Science
전선 / 대학원
본 교과목의 목표는 스마트팜 분야의 다양한 형식의 데이터를 분석 및 활용하는데 필요한 기계학습 기술과 지식을 제공하는 것이다. 다양한 전공자가 쉽게 접근할 수 있도록 기계학습 방법론뿐 아니라 컴퓨터 언어, 확률 및 통계 등 기계학습 이해를 위한 기초적인 내용들을 포함한다. 수강자는 본 과목의 이수를 통해 기계학습의 전반적인 이해와 함께, 스마트팜 분야의 다양한 형식의 데이터에 대한 기초적인 분석 및 응용에 활용할 수 있으며 추후 심화과정을 위한 기초 지식으로 활용할 수 있다.전선 / 학사
이 강의는 기계학습의 기본 원리를 체계적으로 이해하고 바이오시스템공학 분야에서 응용하는 것을 목표로 하며, 전통적인 기계학습 방법론부터 다층 퍼셉트론(MLP), 합성곱 신경망(CNN) 등 기초적인 딥러닝 모델을 학습한다. 강의의 핵심은 실제 문제에 기계학습 기술을 적용하는 능력을 배양하는 것에 있다. 이를 위해 과제와 학기 프로젝트를 통해 실제 상황에서 데이터를 분석하고, 모델을 설계 및 구현할 수 있도록 한다. 이 과정을 통해 학생들은 기계학습을 활용한 바이오시스템공학의 문제 해결 능력을 강화하고, 실무적 접근 방식을 익힐 수 있는 기회를 얻는다.전선 / 대학원
우리 나라 농업 기계화의 발전과정, 기계화 현황, 관련 법규, 농기산업의 규모, 유통 조직, 사후봉사 조직, 기계화의 전망 등을 다룬다. 또한, 기계화 계획을 수립하고 시행하는 데 필요한 선형 계획법, 기계화의 방법, 농업기계의 경영과 관리 등을 다룬다.전선 / 학사
이 교과목은 딥러닝을 포함한 기계학습의 기본 원리를 체계적으로 이해하고, 이를 스마트팜 분야의 실제 문제 해결에 적용하는 것을 목표로 한다. 학생들은 전통적인 기계학습 방법론부터 다층 퍼셉트론(MLP), 합성곱 신경망(CNN) 등 기초적인 딥러닝 모델의 원리와 구현 방법을 학습한다. 강의의 핵심은 스마트팜 환경에서 수집된 다양한 데이터를 분석하고, 적절한 모델을 설계·적용하는 실무 능력을 배양하는 데 있다. 이를 위해 실제 사례 기반의 과제 및 학기 프로젝트를 수행하며, 작물 생육 예측, 병해충 판별, 센서 데이터 기반 제어 등과 같은 문제에 직접 접근해본다. 학생들은 이 과정을 통해 기계학습·딥러닝 기술을 스마트 농업 분야에 실용적으로 적용하는 능력을 기르고, 융합적 문제 해결 역량을 강화할 수 있다.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.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.전선 / 학사
본 교과목은 4차 산업혁명의 핵심기술인 인공지능 기술의 기본 개념과 작동 원리를 이해하고 이를 농업에 활용하는 방법에 대하여 배우는 것을 학습 목표로 한다. 인공지능 기술 분야인 전문가시스템, 퍼지이론, 유전 알고리즘, 인공신경망 및 딥러닝에 대해서 학습한다. 학습한 개념들의 농업 적용과 활용 사례들에 대하여 살펴보고 이를 실제 농업 현장에 응용하는 능력을 습득하도록 한다.전선 / 학사
전선 / 대학원
이 교과목은 PyTorch를 활용한 심화 딥러닝 모델들의 구조와 응용법을 실습 중심으로 학습한다. CNN 기반의 전이학습을 시작으로 객체 검출, 의미 분할 등 컴퓨터 비전 심화 기술과 GAN과 같은 생성형 모델을 활용한 응용, 자연어 처리 등 고급 딥러닝 기술을 실습을 통해 학습한다. 매주 GPU 환경에서의 실습 과제를 수행하며, 모델 구현부터 데이터 전처리, 학습, 성능 평가에 이르는 전체 과정을 직접 경험한다. 강의의 핵심은 바이오시스템공학 분야의 다양한 형식의 데이터를 다루고 이에 적합한 딥러닝 모델을 적용하는 능력을 배양하는 것이며, 학기 프로젝트를 통해 수강생 각자가 선정한 바이오시스템공학 분야의 문제에 대해 적합한 딥러닝 모델을 선택하고 구현하여 해결하는 실전 경험을 축적한다.전선 / 대학원
본 교과목에서는 공학적 지식에 기반한 스마트팜의 환경 조절에 대한 학습이 목적이다. 환경조절을 위한 센싱, 센싱된 환경 데이터의 처리 및 이용, 자동 제어 등과 관련된 이론 및 실습을 진행한다. 빅데이터 기반 자료 분석, 환경 조절 시뮬레이션, 에너지 설계 등에 관련된 실습도 진행한다. 기초 이론과 실습을 통해 스마트팜의 발전과 미래를 위해 앞으로 해결해야 할 과제 및 발전 방향을 모색한다. 다양한 해결 및 발전 과제 중 환경공학 설계와 관련된 구제척인 목표를 선정하여 조별 프로젝트 과제도 수행한다. 프로젝트 수행 시 실습을 통해 습득한 빅데이터, 인공지능, 데이터마이닝, 수치해석, 에너지설계 등의 기법을 활용하도록 한다. 본 수업을 통해 기초 이론을 습득할 뿐만 아니라, 현재의 문제점 및 발전 방향을 탐색할 수 있는 능력도 배양한다. 나아가 조별 프로젝트를 통해 구체적 목표를 달성하기 위한 공학적, 정량적 분석을 수행한다.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 / 학사
수학, 공학역학, 재료역학, 재료학 등의 지식을 활용하여 재료의 파괴, 재료의 강도, 응력과 변형률, 안전계수, 설계 응력 등 기계 설계에 필요한 기본 원리와 이론을 배우고, 축, 기어, 베어링, 브레이크, 클러치, 벨트, 체인 등 주요한 기계 요소의 설계와 선정 방법을 실습한다.전선 / 대학원
농작업기의 친환경화, 정밀화를 위한 해석방법과 설계방법을 다룬다. 주요내용은 농업재료 및 작물의 물성, 변량살포기술, 작물-기계 시스템, 농작업기계와 체계의 환경평가, 정밀농업 등이다.전선 / 대학원
농식품산업 분야에서 핵심 기술로 부상하는 스마트팜과 관련된 경제 이슈를 다룬다. 스마트팜과 관련된 농식품 생산, 유통, 소비에 대해 학습한다. 이와 연계된 IT, BT 등 전·후방산업 비즈니스 현황을 파악하고 신부가가치를 창출하는 시야를 확보하게 한다. 나아가 환경, 생태 등 지속가능 개발을 위한 스마트팜의 공익적 기능에 대한 가능성도 함께 학습한다. .전선 / 대학원
지도 학습은 인스턴스에 알려진 레이블이 있는 경우에 사용되는 기계 학습의 한 유형인데, 비지도 학습과는 달리 인스턴스가 레이블이 없는 경우이다. 실제 문제에 지도 학습을 적용하는 과정은 데이터 전처리, 속성 선택, 알고리즘 선택 및 평가와 같은 몇 가지 단계를 포함한다. 회귀 분석과 분류는 일반적인 지도 학습 방법의 두 가지 유형이다. 선형 모델, 거리 측정, 프로토타입 기반 방법, 나이브 베이즈, 커널 기법 및 앙상블 기법은 지도 학습에서 사용될 수 있는 알고리즘의 예이다. 성능 측정은 지도 학습 모델의 효과를 평가하는 데 사용되는 반면, 비지도 학습은 클러스터링, 차원 축소, 잠재 변수 모델, 그래픽 모델 및 강화 학습 등을 포함한다. 혼합 전문가 및 제한된 볼츠만 머신과 같은 확률적인 방법도 비지도 학습에 사용될 수 있다. 엔드 투 엔드 학습과 심층 신뢰 네트워크는 기계 학습에서 사용되는 다른 기술이다. 본 강좌에서는 기계학습을 이해하기 위한 다양한 기초 지식들을 강의한다.전선 / 대학원
본 교과목은 스마트농업을 구현함에 있어서 인공지능, 사물인터넷, 빅데이터, 클라우드컴퓨팅, 무선통신, 3차원프린팅, 영상처리기술 분야의 원리와 이론을 소개하고 농업분야에서 연구현황과 문제점을 소개한다. 이 과목의 목표는 바이오시스템공학 각 분야에서 정보통신기술을 비롯한 4차산업혁명 관련 첨단기술의 융합을 촉진하기 위한 것이다.전선 / 대학원
본 교과목은 농산물의 수확 후 품질관리 고도화를 위해 유통 단계 중 적용될 수 있는 첨단기술 (블럭체인, 클라우드, 디지털 트랜스포메이션 등)의 적용기술을 포함하고 있으며 수송 및 유통 중인 농산물의 품질특성을 측정, 분석할 수 있는 실시간/원격 비파괴 평가기술들에 대한 내용을 포함한다. 구체적으로, 다양한 센싱정보 (영상 등)를 실시간 무선통신방식으로 수집하여 클라우드 기반의 빅데이터를 구축하고 이러한 정보를 분석할 수 있는 딥러닝 기반의 첨단기술들에 대한 구체적 방안에 대해 논의하며 프로젝트를 통해 관련기술들을 구현하도록 한다.전선 / 대학원
본 교과목은 노지에서 농축산물의 효율적 생산에 필요한 농작업 자동화 기술을 다루는 교과목으로 세부적으로는 농작업 기계의 기초 원리와 노지 자동화 기술 내용을 소개하여 스마트팜 융합전공 학생들에게 농작업 기계와 자동화 기술에 대한 이해를 높이는데 목적을 두고 있다. 농작업 원리 기초 파트에서는 농기계와 토양, 작물 등의 물리적 상호작용을 수학적으로 모델링하는 방법을 배우며 노지 자동화 기술에서는 농용로봇의 종류 및 작동원리, 자율주행 농기계 시스템의 구성요소, 자동관개기술, 기상정보 모니터링 및 농장관리 소프트웨어 기술 등 스마트농업 구현에 필요한 농업생산 및 관리를 위한 자동화 기술을 학습한다.전선 / 학사
작물 재배는 토양, 기후, 수분, 영양, 유전자, 경작 방식 등 다요소 간 상호작용의 결과이며, 시스템 과학은 이러한 요소 간 동적 관계, 피드백 루프, 비선형성을 분석하는 데 매우 중요함. 스마트 농업, 지속가능한 농업을 추구하기 위해 작물 생육에 관련된 생리학적 기작들에 대한 이해와 더불어 토양, 수분, 온도, 대기, 광 등 여러 환경 영향을 강의함. 또한 작물의 유전성과 재배관리에 관한 개론을 포함하여 작물재배에 대한 시스템 과학의 기초를 제공함.전선 / 대학원
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.데이터가 존재하지 않습니다.