발전기금
교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
| 학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
|---|---|---|---|---|---|---|---|---|---|
| ADS5021 | 정보보안특론 | 3 | 6 | 전공 | 석사/박사 | 1-8 | 데이터사이언스융합학과 | - | No |
| 이 과정은 컴퓨터 저장 장치에있는 정보와 컴퓨터 네트워크를 통해 이동하는 정보를 보호하는 데 사용되는 정보 보안의 기본 사항에 중점을 둔다. 이 과정에서는 정보 보안, 컴퓨터 보안 기술 및 원리, 액세스 제어 메커니즘, 암호화 알고리즘, 소프트웨어 보안, 물리적 보안, 보안 관리 및 위험 평가 등의 기본 사항을 살펴본다. | |||||||||
| AIM4002 | 바이오인공지능 | 3 | 6 | 전공 | 학사/석사 | 1-4 | - | No | |
| 인공지능이 가져올 의료 혁신은 우리의 상상을 뛰어넘을 것으로 예상됩니다. 본 과목은 바이오 헬스 연구에 인공지능을 적용하는 데 기초가 되는 개념과 방법론을 익히고, 새로운 문제에 스스로 도전을 해보는데 목적을 두고 있습니다. 학생들은 수업을 통해 딥러닝, 바이오인포메틱스, 계산모델, 데이터 사이언스 등의 기초와 최신 이론을 익히고, 팀 프로젝트를 통해 실제 인공지능을 이용한 바이오 헬스 연구에 참여할 수 있습니다.본 과목은 컴퓨터 관련 과목을 전공하지 않는 학생들에게 열려있으나 프로그래밍 경험을 필요로 합니다. | |||||||||
| AIM4003 | 자연어처리개론 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 한 | Yes | |
| 본 과목에서는 자연어를 분석하고 생성하는 이론과 기술에 대한 전반적인 내용을 다룬다. 구체적으로 텍스트 수집, 텍스트 전처리, 문서 통계 분석, 문서 분류 및 성능 평가, 구문 분석, 파싱, 개체명 인식, 텍스트 벡터화, 텍스트 클러스터링, 텍스트 생성, 토픽 모델링, 유사문서, 요약, 단어 임베딩, 언어 모델 등의 주제를 다루며, 다양한 실전 문제를 해결하는 방식을 이해한다. 본 과목의 목표는 실전 자연어처리 문제를 해결하는 프로그램을 작성하는 것이다. 본 과목을 수강하기 위해서 파이썬 프로그래밍, 기계 학습 및 딥러닝 모델을 이해하고 구현할 수 있어야 한다. | |||||||||
| AIM4004 | 인공지능에이전트개론 | 3 | 6 | 전공 | 학사/석사 | 1-8 | - | No | |
| 본 과목은 ChatGPT와 같은 현대 AI 서비스가 어떠한 기술적 기반 위에서 구축되고 동작하는지를 이해하는 것을 목표로 한다. 단순한 모델의 작동 원리를 넘어, 실제 상용 수준의 AI 서비스가 구현되기 위해 필요한 전체 기술 스택(Full Tech Stack)을 폭넓게 조망한다. 이를 위해 Transformer 기반 모델 구조, 사전학습·미세조정·지시학습(Instruction Tuning) 등 최신 LLM 개발 패러다임부터 시작하여, 프롬프트 엔지니어링, RAG(Retrieval-Augmented Generation), 에이전트 계획·추론(Planning & Reasoning), 멀티 에이전트 협력, 도구 사용(Tool Use) 등 실제 에이전트 시스템 구현 관점의 핵심 요소들을 단계적으로 학습한다. 또한 최신 연구 논문 및 결과를 분석하여 빠르게 변화하는 기술 트렌드를 파악하고, 이를 바탕으로 고도화된 AI 시스템을 직접 설계하고 구축할 수 있는 역량을 기르는 것을 목표로 한다. | |||||||||
| AIM5001 | 인공지능론 | 3 | 6 | 전공 | 석사/박사 | 한 | Yes | ||
| 이 과목의 목표는 인공지능의 기본이 되는 알고리즘을 이해하여 구현할 수 있도록 한다. 학습 내용은 문제 해결 및 탐색, 논리와 지식 표현, 추론, 계획을 포함한다. | |||||||||
| AIM5002 | 기계학습론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 기계학습은어떻게경험으로부터학습하는컴퓨터시스템을만드는가에관한연구분야이다.이과목에서는현재의기계학습분야에서사용되는알고리즘과모델들에대해서설명한다.학습할주요내용은일반화된선형모델,다층인공신경망,서포트벡터머신,베이지안네트워크,클러스터링,차원축소 등이다. | |||||||||
| AIM5004 | 심층신경망 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 본 과목에서는 최근의 심층 인공신경망과 관련된 다양한 방법론을 배운다. 구체적으로, 심층신경망, 최적화 기법, 합성곱 인공신경망, 순환 인공신경망, 집중 메커니즘, 심층생성모델, 시각화 및 설명가능성을 포함한다. | |||||||||
| AIM5010 | 강화학습특론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 강화 학습은 로봇공학, 게임, 소비자 모델링 등 광범위한 문제에 적용될 수 있는 대표적인 기계 학습 기법 중 하나이다. 본 수업에서는 강화 학습의 방법론으로 마르코프 의사결정 과정, 동적 프로그래밍에 의한 계획, 모델 프리 예측, 모델 프리 제어, 가치 함수 근사, 정책 그레디언트, 학습과 계획, 탐구 및 탐사 등을 다루고자 한다. | |||||||||
| AIM5020 | 컴퓨터비전론 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 시각정보를컴퓨터를이용하여처리하는기법에관하여다룬다.주요내용으로는이미지처리대수,이미지질개선,경계선검출,문턱치설정,세선화및골격추출,음운적변환,선형변환,패턴매칭및형상검출,이미지특징및기술,심층신경망등이있다. | |||||||||
| AIM5021 | 자연어처리이론및응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 자연어처리(NLP)는정보화시대의가장중요한기술중하나다.복잡한대화를이해하는것도인공지능의중요한분야다.이과정에서는학생들이자신의신경망모델을구현,학습,디버깅,시각화및개발하는방법을학습한다.이과정은NLP에적용되는심층학습의최첨단연구에대한철저한소개를제공한다.이과목은vectorrepresentations,window-basedneuralnetworks,recurrentneuralnetworks,long-short-term-memorymodels,recursiveneuralnetworks,convolutionalneuralnetworks포함한최근모델을다룬다. | |||||||||
| AIM5024 | 추천시스템 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 추천 시스템은 사용자가 대상 항목에 부여할 등급이나 선호도를 예측하고자 하는 정보 필터링 기법이다. 본 과목에서는 비개인화된 추천 시스템, 콘텐츠 기반 및 협업 기법 추천시스템 및 이를 위한 최근접 이웃 기반 추천 방법과 행렬 분해 기반 방법에 대해서 다룬다. 마지막으로, 심층 인공 신경망을 이용한 추천 시스템 모델에 대해서도 다루고자 한다. | |||||||||
| AIM5025 | 지능형로봇및시스템 | 3 | 6 | 전공 | 석사/박사 | 1-4 | - | No | |
| 로보트를효율적으로사용하기위해서는인간이할수있는거의모든작업을수행할수있도록해야한다.이를위해여러가지센서를이용하여로보트가지능적인행동을하도록하는여러가지기법에관해다루기로한다. 수업은 영어로 진행 예정입니다. | |||||||||
| AIM5026 | 로봇지능개론 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 로봇은 센서와 액츄에이터를 연결하는 지능시스템으로 정의되며 이러한 지능시스템은 로봇이 자율적으로 물체를 조작하거나 실내외를 주행하면서 인간에 필요한 서비스를 제공하는 핵심역할을 수행한다. 구체적으로 로봇은 서비스 수행에 필요한 자율 주행 및 조작 행위를 위하여 환경 및 물체를 인식하고 이해하여 하여야 하며 이를 기반으로 스스로 행위를 추론하고 계획할 수 있는 능력이 요구된다. 특히, 이러한 환경 및 물체의 인식과 이해 그리고 행위의 추론 및 계획 능력이 학습을 통하여 스스로 배양될 수 있도록 하는 로봇의 학습능력은 매우 중요한 의미를 가진다. 본 과목은 학습을 통하여 로봇이 자율 주행 및 조작 행위에 필요한 환경 및 물체 인식과 이해, 그리고 행위 추론 및 계획 능력을 스스로 배양하는 로봇 지능 핵심의 기초를 다룬다. | |||||||||
| AIM5027 | 고급AI로봇컴퓨팅 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 이과목은AI알고리즘과RobotControl을구현하기위한기본적인컴퓨터프로그램언어와OS환경을학습하는과정으로Window와Linux환경에서고급c++과Python프로그램언어를학습하고이를사용하여AI와비전에널리쓰이는library인OpenCV,OpenGL,Boost와학습알고리즘구현많이쓰이는Numpy,Matplotlib,Pillow등의사용법을학습후Project를통하여다양한분야에서응용되는학습알고리즘의동작원리를이해하고필요한요건들을정의하여연구를위해필요한기초지식을경험한다. 수업은 영어로 진행 예정입니다. | |||||||||
| AIM5028 | SW-HW통합설계론 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| SW-HW통합 설계론에서는 다양한 응용 분야에 맞는 효율적인 인공지능 시스템을 설계하기 위한 SW와 HW의 통합 설계 방법에 대해서 다룬다. 데이터 처리 속도, 전력 소모 및 복잡도를 고려해서 SW와 HW 로 구현될 수 있는 블록들에 대한 최적 파티션이 필요하며, Co-Design 을 통해서 최적의 성능을 달성할 수 있다. 본 과목에서는 이와 같은 목표를 달성하기 위한 인공지능 SW 설계 방법론, 인공지능 HW 설계 방법론을 다루고, 이를 기반으로 AI SW-HW 설계방법론에 대해서 다룬다. | |||||||||
| AIM5029 | AI기술세미나 | 1 | 2 | 전공 | 석사/박사 | - | No | ||
| 본과목은최근정보통신분야에서활발히연구되고있는다양한영역의주제를선정하여교내외의전문가들을초청,세미나또는토론을진행하여인공지능분야의최신흐름을제공하고자하는과목이다. | |||||||||
| AIM5030 | 지적재산권과AI윤리 | 2 | 4 | 전공 | 석사/박사 | - | No | ||
| 이과목은크게 두가지 토픽으로 운영된다. 지적재산권의 이해와 AI 윤리이다. 지적재산,지적재산권의 이해에서는 저작권,특허,등록상표,라이센스등의전반적인소개를제시한다.세부내용으로는,지식재산권정의,지적재산을규정하는여러가지법규구분및이해,지적재산법에영향을주는기술여파의이해및분석,지적재산법의사회적,문화적,경제적충격의이해,정보와지식의생산,관리,조직,분배에미치는지적재산의영향분석,지식정보찾기및활용등이포함된다. AI윤리는 AI가 활용될 때 발생할 수 있는 예측 불가능한 비극을 방지하기 위한 공정성, 투명성, 안전성, 안정성, 책임성 등의 여러 윤리 원칙들에 대하여 공부한다. | |||||||||
| AIM5031 | AI석사논문연구 | 3 | 6 | 전공 | 석사 | 한 | Yes | ||
| 본과목은석사과정학생을대상으로하는대학원과정의개별연구과목으로,수강생은지도교수와의협의하에연구주제를선정한후,한학기동안해당연구주제에대해심도깊은연구를진행한후결과물을제출해야한다. | |||||||||
| AIM5032 | AI박사논문연구 | 3 | 6 | 전공 | 석사/박사 | 한 | Yes | ||
| 본과목은박사과정학생을대상으로하는대학원과정의개별연구과목으로,수강생은지도교수와의협의하에연구주제를선정한후,한학기동안해당연구주제에대해심도깊은연구를진행한후결과물을제출해야한다. | |||||||||
| AIM5035 | 설명가능한인공지능 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 최근 많은 각광을 받는 딥러닝 기반 알고리즘들은 높은 예측 정확도를 보이고 있으나, 그 예측 결과의 이유를 명확하게 설명하기 어려운 단점을 가지고 있다. 이러한 문제점들로 인해서, 최근 설명가능한 인공지능 기술에 대한 활발한 연구가 진행되고 있다. 본 과목에서는 딥러닝 모델들이 학습한 representation들의 visualization, saliency-map 기반의 설명방법(예: Grad-CAM, LRP 등), 그리고 black-box 설명방법 (예: LIME, SHAP) 등에 대해서 알아보고, 그러한 방법들의 robustness 등에 대해서 살펴본다. 또한, 의료영상 등에서의 주요 응용 분야에 대해 살펴보고 term-project를 수행한다. | |||||||||
| AIM5036 | 심층생성모델 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 최근 많은 각광을 받는 심층 생성 모델에 대해 학습한다. 전반부에는 Autoregressive model과 bayesian에 기반한 variational autoencoder (VAE), normalized flow 등에 대해 학습하고, 후반부에는 generative adversarial net (GAN)과 그 다양한 변종들에 대해 학습한다. (예: W-GAN, CGAN, Cycle GAN 등) 또한 생성모델을 활용하는 다양한 응용 분야에 대해 survey하고 학습한다. | |||||||||
| AIM5038 | 상황기반행동학습 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 상황 인식에 의한 학습법이란, 컴퓨터(혹은 프로그램이 가능한 장치)가 자신의 환경을 감지하고 반응할 수 있게 하는 기계학습 방법을 말한다. 시시각각 변화하는 환경에 반응하여 기계가 적절한 판단을 내릴 수 있도록 하는 것이 핵심이다. 본 과목에서는 지능형 디바이스가 상황인식 기반 학습을 통해 스스로 상황을 인지하고, 상황에 따른 적절한 판단을 내릴 수 있도록 하는 학습법에 대해 논의한다. | |||||||||
| AIM5039 | 지능적스토리텔링 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 본 과목의 목표는 인터랙티브 스토리를 이론적으로 이해하고 계산적으로 모델링하는 것이다. 학습 내용은 서사 이론에 기반한 스토리 분석, 인공지능 알고리즘을 적용한 다양한 계산적 모델, 인터랙티브 스토리를 만드는 저작 도구, 지능적 스토리를 적용한 VR, 게임등의 구현 사례를 포함한다. 본 과목을 수강한 학생은 해결하고자 하는 문제에 스토리 요소를 추가하여 사용자 경험이 증대되도록 시스템을 설계하고 구현할 수 있을 것으로 기대된다. | |||||||||
| AIM5040 | 비지도학습 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 정답 레이블이 없이 데이터로부터 학습하는 비지도학습 (Unsupervised learning)의 기초부터 최신 기법까지 학습한다. K-means clustering, PCA, ICA, expectation-maximization (EM), hidden Markov Model (HMM) 등 전통적인 비지도학습 모델부터 restricted Boltzmann machine, deep Boltzmann machine 등 최신 비지도학습 알고리즘에 대해 학습한다. | |||||||||
| AIM5041 | 계산감성모델 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 본 과목의 목표는 인공지능의 이론 및 알고리즘을 이용하여 인간의 감정을 계산적으로 모델링하는 것이다. 학습 내용은 감정의 계산적 정의, 기계 학습 알고리즘을 이용한 인간 감정의 분류, 감정을 처리하여 생성하는 인지적 모델 및 다양한 미디어에서 감정을 표현하는 것을 포함한다. 본 과목을 이수한 학생은 계산적 모델을 적용하여 다양한 문제를 해결하고 시스템을 설계할 수 있을 것으로 기대된다. | |||||||||
| AIM5042 | 게임AI | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 인공지능은 컴퓨터 게임에 있어 필수적인 요소 가운데 하나이며, 컴퓨터 게임은 인간 수준의 인공지능을 시험 해 볼 수 있는 좋은 시험장이라 생각할 수 있다. 본 강의에서는 상태 머신, 현실감과 즐거움을 모두 고려한 의사 결정, 경로 탐색, 게임 전략 수립 알고리즘을 포함한 다양한 컴퓨터 게임을 위한 인공지능 기술들에 대해서 다루고자 한다. 선수과목: 인공지능 혹은 이에 준하는 교과목 | |||||||||
| AIM5043 | 인공지능가속기 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 현재의 인공지능 하드웨어는 인공 심층 신경망 모델에 기반하고 있으나 인간의 두뇌 및 신경계와 좀더 유사한 혁신적인 구조가 요구되고 있다. 행렬 연산 계산에 최적화된 현재의 AI 가속기 구조를 기반으로 아날로그 방식 신경망 회로기술과 Processing-in-memory 등을 포괄하며 폰 노이만 아키텍처를 넘어서는 다양한 차세대 아키텍처를 탐색해본다. | |||||||||
| AIM5045 | 엣지컴퓨팅 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 본 과목에서는 클라우드 컴퓨팅의 개념이 오늘날의 엣지 컴퓨팅으로 확장되고 이 결합된 엣지-클라우드 컴퓨팅 환경이 어떻게 활용될 수 있는지 알아본다. 기존 클라우드 컴퓨팅 환경과 데이터 센터의 작동 구조를 리뷰하고 엣지 컴퓨팅의 정의, 클라우드 컴퓨팅과 엣지 컴퓨팅의 상호 보완성에 대해 알아본다. 또한, 컴퓨팅 리소스의 위치, 네트워크 인프라, 단말의 성능에 따른 디바이스 엣지와 클라우드 엣지 차이점과 장단점에 대해 학습한다. 엣지 컴퓨팅 환경 구축과 어플리케이션을 위한 엣지 아키텍쳐, 클라우드 서비스의 코디네이션, Apache Edgent, Geo-distributed 컴퓨팅, 엣지 컴퓨팅에서의 머신 러닝 및 분산된 빅데이타 분석 알고리즘 등을 다룬다 | |||||||||
| AIM5046 | SW-HW통합설계프로젝트 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| SW-HW통합설계프로젝트에서는 SW-HW통합설계론을 포함한 학과 과정을 이수하며 학습한 이론을 응용하여 실제 설계 프로젝트를 수행하기 위한 과목이다. 본 과목에서는 데이터 처리 속도, 전력 소모 및 복잡도를 고려한 인공지능 관련 설계 프로젝트 주제를 정하고, SW와 HW의 최적의 파티션과 Co-Design을 통해서 최적의 성능을 가지는 인공지능 시스템을 설계하는 것을 목표로 한다. SW-HW 통합 설계 결과와 SW 단독 설계방법및 HW 단독 설계 방법과의 성능비교를 한다. | |||||||||
| AIM5047 | 문제해결형R&D프로젝트 | 3 | 6 | 전공 | 석사/박사 | - | No | ||
| 본 과목은 학생들이 AI 관련 산업에 대한 이해도 증대와 현업에서 풀고 있는 문제에 친숙해질 수 있는 기회를 부여하고 해당 과제에 참여함으로써 스스로 문제를 해결하는 능력을 키우고자 한다. 수업내용은 현업에서 발생하는 문제 및 새로운 아이디어가 요구되는 것들을 프로젝트로 선별하여 이를 수행한다. | |||||||||