AI 확률 프로세스AI Stochastic Process 3 전공강좌(단독강의) -

교과목명(국/영문)

AI 확률 프로세스AI Stochastic Process

강의개요

강의목표

본 강의는 현대 인공지능에서 적용되는 확률 프로세스 이론을 이해하기 위한 강의입니다. 확률 과정과 확률 미분 이론, 이를 기반으로 한 확률적 기계 학습 이론을 주요 내용으로 합니다.- Machine Learning에서 사용되는 확률/통계 과정에 대한 기초부터 심화 내용- 비선형 필터 이론의 관점에서 기계학습 및 인공신경망 알고리즘 내용 강의- 확률 과정론의 발전으로서 확률 미분 방정식론, 그리고 이에 근거한 현대 필터 이론에 대한 강의- 인공지능, 컴퓨터 사이언스 등에서 다루어지는 각종 데이터 처리를 확률과정에 입각한 방법론 강의

HCI 개론Introduction to Human-Computer Interaction 3 전공강좌(단독강의) -

교과목명(국/영문)

HCI 개론Introduction to Human-Computer Interaction

강의개요

강의목표

이 과목에서는 HCI의 기본적인 개념과, 좋은 HCI 설계를 위한 고려 사항에 대해 학습하고 터치스크린 상의 시각적 인터페이스 뿐만 아니라 제스처, 시선, 햅틱 등 다양한 모달리티를 통해 구현되는 HCI의 사례와 최근 연구동향을 기술적 접근으로 소개합니다. 평가는 리포트 형태의 숙제와 논문 소개 발표 1회로 진행될 예정이며 프로그래밍 지식은 수업내용 이해에 도움을 줄 수 있으나 과제에 필요하지는 않습니다. In this course, we study fundamental concepts of HCI and considerations for good HCI design. We also have a look on HCI implemented via various modalities in a technical view: such as gestures, gaze, and haptic as well as visual interfaces on touchscreens. The evaluation will be conducted with one report assignment and one presentation of paper review. Some knowledge on programming can be helpful to better understanding of the content of the class, but it is not necessary for the assignment.

고급 딥러닝 Advanced Deep Learning 3 전공강좌(단독강의) -

교과목명(국/영문)

고급 딥러닝 Advanced Deep Learning

강의개요

강의목표

이 과목은 딥러닝의 최근 연구 동향을 탐험하고자 합니다. 딥러닝은 최근 가장 활발히 연구되고 있는 분야 중 하나입니다. 이 과목은 "딥러닝" 과목에서 기초를 수강한 학생들이 보다 고급의 주제를 심도있게 다루어 연구에 활용할 수 있도록 하기 위하여, 최근의 딥러닝 연구 동향 및 최신 연구 논문을 살펴보고 관련된 이론과 배경지식을 같이 전달하고 토의할 예정입니다. This course aims to explore the latest research trends in deep learning. Deep learning is one of the most actively researched fields recently. This course is designed so that students who have taken the basics in the "Deep Learning" course can cover more advanced topics in depth and use them for research. Specifically, we will review the recent research trends and latest research papers in deep learning, and if necessary, deliver related theories and background knowledge.

딥러닝 개론Deep Learning 3 전공강좌(단독강의) -

교과목명(국/영문)

딥러닝 개론Deep Learning

강의개요

강의목표

이 수업은 딥러닝과 신경망을 소개하는 것을 목표로 합니다. 이 수업을 통해 학생들은 신경망 기본, 신경망 학습 알고리즘인 오류 역전파와 딥러닝에 대한 전반적인 핵심을 이해하는 것을 목표로 합니다. 보다 상세하게, 이 과목에서 다루는 주제는 인공 신경망 기초, 컨볼루션 신경망, 생성형 모델 (자동 인코더, 생성 적대 네트워크), LSTM을 포함한 순환 신경망에 대하여 다룰 것입니다.이 과정은 1) 딥러닝에 관심이 있고 2) Python에 대한 기본 지식이 있거나 빠르게 학습하려는 학생에게 권장됩니다. This class aims at introducing the world of deep learning. Through this class, the students are expected to understand the basics and the cores of neural networks including error back propagation and deep learning. Topics will include artificial neural networks basics, convolutional neural networks, generative models( autoencoders, generative adversarial networks), recurrent neural networks including lstm and possibly recent advances in this field, if time allows. As a final note, it course is recommended to the students who are 1) interested in deep learning, of course 2) has a basic knowledge on Python or be willing to learn it quickly.

심층 강화학습Deep Reinforcement Learning 3 전공강좌(단독강의) -

교과목명(국/영문)

심층 강화학습Deep Reinforcement Learning

강의개요

강의목표

이 강의에서는 1) RL의 기본 사항 2) 고급 RL 및 최근 개발 사항을 모두 다룹니다. 인공 지능에 대한 접근 방식으로 강화학습에 대한 포괄적인 소개를 제공하며 강화학습의 수학적 이론에 대한 직관적 이해와 더불어 인간 수준의 인공 지능 설계와 관련된 개발을 강조합니다.학생들은 Python, Pytorch 및 Deep Learning에 대해 상당히 잘 이해하고 있어야 합니다. “딥러닝”수업을 듣지 않았거나 딥러닝을 이해하지 못한다면 이 강의를 수강하지 않는 것이 좋습니다. This lecture will cover both 1) Basics of RL 2) Advanced RL & recent developments. The course will emphasize the development of intuition relating the mathematical theory of reinforcement learning to the design of human-level artificial intelligence.Students should have quite a good understanding of Python, Pytorch, and Deep learning. If you don’t have taken the “Deep learning” class or don’t understand deep learning, I don’t recommend you to take this lecture.

심층 비디오 이해 기술Advanced Video Understanding 3 전공강좌(단독강의) -

교과목명(국/영문)

심층 비디오 이해 기술Advanced Video Understanding

강의개요

강의목표

본 강의는 컴퓨터 비전 심화 과정으로 영상 중 비디오에서의 의미 이해를 위한 컴퓨터 비전 기술들을 다룬다. 구체적으로, 사람의 행동 클래스를 기준으로 비디오를 이해하는 기술들인 잘 편집된 비디오에서의 행동 인식과 무편집 비디오에서 행동 탐지, 나아가 자연어로 기술된 질의문을 기반으로 부합되는 의미 구간을 탐지하는 비디오 의미 구간 탐지와 비디오 QA, 그리고 비디오와 자연어 표현 학습 기술 등을 다룬다. 본 강의는 이론 강의와 더불어 프로그래밍이 필요한 실습을 포함한다. 이를 통해, 수강 학생들이 의미적으로 비디오를 이해하기 위한 시간적 모델링 방법들을 습득하는 것을 목적으로 한다. This lecture deals with computer vision techniques for video understanding as a process of advanced computer vision. Specifically, we address techniques for understanding videos based on specific classes of human actions, such as action recognition on well-trimmed videos and action localization and detection on untrimmed videos, techniques for understanding videos based on queries described by natural sentences, such as temporal moment localization and video QA, and techniques for video and language representation learning. This course includes theoretical lectures as well as practical exercises that require programming. Through this, the purpose of this study is to enable students to learn temporal modeling methods for understanding videos semantically.

영상처리 이해와 활용Understanding and Applications of Image Processing 3 전공강좌(단독강의) -

교과목명(국/영문)

영상처리 이해와 활용Understanding and Applications of Image Processing

강의개요

강의목표

본 강좌는 영상처리에 대한 이론들과 그 응용 기술들에 대해 알아보는 것을 목표로 한다. 본 강좌는 시각적 결과를 통해 영상처리 기술에 대한 학습을 진행한다. 학습자 배경 지식을 바탕으로 영상처리 응용을 위한 간단한 프로그래밍 실습이 있을 수 있다. The aim of this course is to learn about image processing theories and their applied technologies. In this course, students learn about image processing technology through visual results. Based on the learner's background knowledge, there may be a simple programming practice for image processing applications.

음성 신호처리 Speech Signal Processing 3 전공강좌(단독강의) -

교과목명(국/영문)

음성 신호처리 Speech Signal Processing

강의개요

강의목표

본 강의에서는 음성 신호 처리 기술과 음성 인식 기술에 대하여 다룹니다. 음성 신호 처리 기술로는 기본적인 디지털 신호처리 이론과 음성 신호를 표현하기 위한 발성 모델과 청각모델에 대해서 강의합니다. 또한 단일채널 잡음 제거 및 다채널 신호처리, 음원 분리 기술도 소개합니다. 음성 인식 기술로는 전통적인 은닉 마코프 모델 기반 음성인식 기술을 소개하고, 딥러닝 기술을 접목하는 방법과 또한 최근 연구되고 있는 종단형 음성인식 기술에 대해서도 소개하고 실제 음성인식 시스템 모델을 구성하여 한국어 공개 코퍼스를 이용하여 훈련하고 훈련된 모델을 통하여 음성인식을 수행하는 실습을 진행합니다. This class aims at introducing the various techniques on speech signal processing and automatic speech recognition(ASR). Speech signal processing is a classical field of research which deals digital signal processing as well as speech enhancement, array signal processing and blind signal separation. Based on the theories of speech signal processing, various technologies of ASR will be explored ranging from the traditional Hidden Markov Model to the most recent end-to-end ASR method. As an excercise the attendees will build Korean end-to-end ASR system using an open-source toolkit and open corpus.

임베디드 딥러닝 Embedded Deep Learning 3 전공강좌(단독강의) -

교과목명(국/영문)

임베디드 딥러닝 Embedded Deep Learning

강의개요

강의목표

임베디드 시스템에서 딥러닝을 수행하기 위하여 임베디드 시스템의 특징을 이해하고, 임베디드 시스템에서 딥러닝을 가속화하기 위한 병렬 처리 기법에 대해 살펴본다. 또한, 임베디드 시스템의 제약조건을 분석하고, 이를 바탕으로 기존 딥러닝 모델을 경량화하기 위한 임베디드 기반 경량화 기법을 습득한다. In order to perform deep learning in an embedded system, we will understand the characteristics of the embedded system, and look at parallel processing techniques to accelerate deep learning in the embedded system. In addition, we analyzes the constraints of the embedded system and learns an embedded-based lightweighting technique to lighten the existing deep learning model.

최적화 학습 이론Optimized Learning Theory 3 전공강좌(단독강의) -

교과목명(국/영문)

최적화 학습 이론Optimized Learning Theory

강의개요

강의목표

비선형 최적화론을 기반으로 관련한 수학적 지식과 비선형 최적화와 관련된 각종 알고리즘의 유도 방법 그리고 비선형 최적화를 기반으로, 기계학습 알고리즘에 대한 지식을 확장하고 기계학습을 기반으로 하는 다양한 공학적 문제의 해결을 추구한다. The aim of the lecture is to understand the knowledge of the mathematics correspoding nonlinear optimization, various induction technique of nonlinear optimization algorithms, and the solution through the machine learning algorithm based on a non-linear optimization for enginnering problems.issues based on nonlinear optimization.

컴퓨터 비전Computer Vision 3 전공강좌(단독강의) -

교과목명(국/영문)

컴퓨터 비전Computer Vision

강의개요

강의목표

본 강의는 컴퓨터 비전에 대한 입문 및 심화 과정으로서 영상 기하학과 영상 이해에 관한 내용을 다룬다. 구체적으로는 컴퓨터 비전의 기본의 되는 영상 형성 및 이미징 과정, 색과 색상 모델, 영상 불변 특징과 매칭, 패턴 인식, 모션 추정과 개체 추적, 영상의 기하학적 모델링, 영상의 기하학적 해석 방법에 대한 이해를 제공하는 것을 목적으로 한다. This lecture is an introductory and in-depth course on computer vision, and deals with image geometry and image understanding. Specifically, it aims to provide an understanding of image formation and imaging processes, color and color models, image invariant features and their matching, pattern recognition, motion estimation and object tracking, geometric modeling of images, and geometric interpretation methods of images.

컴퓨터비전을 위한 수학적기법Mathematical Tools for Computer Vision 3 전공강좌(단독강의) -

교과목명(국/영문)

컴퓨터비전을 위한 수학적기법Mathematical Tools for Computer Vision

강의개요

강의목표

본 강의는 수학적 주요 개념(Taylor 근사, Hessian 등), 벡터를 이용한 기하학적 연산, 선형시스템과 행렬연산(SVD 등), 파라미터 추정 기법, 수학적 최적화 기법, 머신러닝 최적화 기법 등 공학적 연구 분야에서 사용되는 주요 수학적 도구의 원리를 소개하고 이들 기법이 어떻게 공학적 문제에 활용될 수 있는지 다양한 응용 실습을 통해 익히도록 한다. 본 강의의 궁극적 목적은 이러한 수학적 기법들을 실제 자신의 연구에 활용할 수 있도록 하는 것이며 매 강의마다 강의 내용을 직접 구현하고 확인할 수 있도록 실습 과제가 부여된다. 선행 조건으로 과제 수행을 위해 기본적인 프로그래밍 능력이 요구된다 (c++ 또는 python). This course introduces essential mathematical tools used in scientific research such as mathematical basics(PCA, SVD, Taylor expansion, Gradient, Hessian, etc.), geometric operations with vectors, linear systems and matrix operations, parameter estimation techniques, mathematical optimization techniques, and machine learning applications. The ultimate purpose of this course is to enable the students to use these mathematical tools in their own research. A programming assignment is given for each class and basic programming skills(C++ or Python) are required to perform the assignments.

패턴인식 및 기계학습Pattern Recognition and Machine Learning 3 전공강좌(단독강의) -

교과목명(국/영문)

패턴인식 및 기계학습Pattern Recognition and Machine Learning

강의개요

강의목표

본 강좌는 패턴인식에 대한 이론들과 그 응용 기술들에 대해 알아보는 것을 목표로 한다. 본 강좌는 패턴인식에 대한 개념적 설명과 수학적 표현을 포함한다. 학습자 배경 지식을 바탕으로 패턴인식 응용을 위한 간단한 프로그래밍 실습이 있을 수 있다. The aim of this course is to learn about pattern recognition theories and their applied technologies. This course includes conceptual explanations and mathematical expressions for pattern recognition. Based on the learner's background knowledge, there may be a simple programming practice for pattern recognition application.