발전기금
교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
| 학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
|---|---|---|---|---|---|---|---|---|---|
| ESW5024 | 고급데이터분석 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | 영 | Yes | |
| 본 수업은 실측 데이터에 대한 분석과 통계학적인 모델링(ex, 데이터요약, 시각화, 예측 등)과 관련 소프트웨어 도구를 다룰 것이다. 본 수업에서는 비선형적 패턴, 주파수 데이터, 시퀀스 데이터 등의 벤치마크 데이터를 다루는 것을 기본으로 한다. 수강 대상자는 기초확률이론, 통계 관련한 사전지식이 있어야 하며, 본 수업에서는 VC 이론, 수렴도, 좌표 및 구간추정, 가능성 극대화, 가설 테스트, 데이터 축소, 베이지안 추론, 비정량적 통계, 반복샘플링, 의존적 데이터 분석, 합리적 추론 등에 대해 다룰 예정이다. 본 수업을 통해, 수강생들은 적절한 확률/분석 방법을 선택하여 여러 가지 실측 데이터 분석을 진행하며, 이 결과를 도식화할 수 있는 역량을 보유할 수 있으리라 기대한다. 본 수업의 주요 목표는 대학원생들을 대상으로 데이터 분석을 위한 현대적 기법들을 제공하고 각자의 연구에 적절한 분석 기법을 도입할 수 있도록 지원하는 것이다. 이를 통해 각자의 연구 결과물의 질을 더 높일 수 있도록 기여하고자 한다. | |||||||||
| ESW5025 | 인프라네트워크보안 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목은 인프라 네트워크 및 보안에 대한 기술 및 표준을 소개한다. 본 과목은 네트워크 인프라인 클라우드, 사물인터넷, 차량 네트워크에서의 이용되는 네트워크 및 응용 기술과 이러한 인프라에서의 보안 및 프라이버시 기술을 설명한다. 교과목 내용은 다음과 같다. - 1주: 인프라 네트워크 및 보안 소개 - 2주: 인터넷과 컴퓨터네트워크 - 3주: 소프트웨어 정의 네트워킹(SDN) - 4주: 네트워크 기능 가상화(NFV) - 5주: 오픈스택 기반 클라우드 시스템 - 6주: 클라우드 기반 보안 서비스 시스템 - 7주: YANG 기반 데이터 모델링 - 8주: 학기 프로젝트 제안서(Term Project Proposal) - 9주: NETCONF 기반 네트워크 관리 - 10주: 사물인터넷 네트워킹 - 11주: 사물인터넷 응용 - 12주: 사물인터넷 보안 - 13주: 차량 네트워킹 - 14주: 차량 네트워크 응용 및 보안 - 15주: 학기 프로젝트 발표(Term Project Presentation) 본 과목은 플립클래스 형태로 진행될 예정이다. 4번의 숙제, 1개의 학기 프로젝트로 운영된다. | |||||||||
| ESW5026 | 고급운영체제 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 수업은 운영체제의 주요 요소들인 프로세스 관리, 메모리 관리 그리고 파일시스템의 디자인과 구현에 관해 기술 발전에 영향을 미친 역사적인 운영체제들의 사례를 중심으로 학습한다. 또한, 최신 하드웨어와 소프트웨어 기술로 인해 향후 운영체제가 발전할 방향을 살펴본다. | |||||||||
| ESW5027 | 고급컴퓨터구조설계 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 수업은 최신 프로세서와 메모리 구조를 비롯한 고급 컴퓨터 구조 설계 기법에 대해서 학습한다. 세부 내용은 컴퓨터 성능 측정, 캐쉬 설계, 명령어 수준 병렬성, 멀티 코어 프로세서, 가상 메모리, 스토리지 시스템에 대해서 다룬다. | |||||||||
| ESW5028 | 데이터베이스시스템원론 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목에서는 관계형 데이터베이스 및 키밸류 스토어를 포함하는 데이터베이스 시스템의 아키텍처와 핵심 원리를 다룬다. 데이터베이스시스템 아키텍처, 스토리지, 인덱스, 질의처리, 그리고 트랜잭션 관리 등의 주요 주제를 포함하는데, 플래시메모리 저장장치와 비휘발성 메모리를 위한 각 주제의 새로운 설계 아이디어를 중점적으로 다룬다. | |||||||||
| ESW5029 | 소프트웨어공학기술특론 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | 한 | Yes | |
| 이 과목은 소프트웨어 개발 과정에 대한 다양한 이슈 중 특히 중요한 이슈에 대해 깊이 있는 이해를 제공하는 것을 목표로 한다. 예를 들어, 구조설계, 요구공학, 소프트웨어설계, 소프트웨어시험, 디버깅, 프로젝트관리 등 다양한 이슈 중 매학기 한가지 이슈에 주목하여 심층적인 학습을 가능하게 한다. 이 과목은 학부에서의 소프트웨어공학의 심화과목이다. | |||||||||
| ESW5031 | 컴퓨터구조설계특론 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | 한 | Yes | |
| 컴퓨터의 CPU, GPU 및 가속기 등 연산장치의 성능, 효율성, 확장성 및 보안성 등을 높이기 위한 최신의 기술 및 연구 동향을 학습한다. 메모리 및 캐쉬 구조, 멀티코어 및 매니코어 구조의 프로세서간 인터커넥션 네트워크, 가상화 기술, GPU 아키텍처, 뉴럴 네트워크 가속기 구조 및 기타 컴퓨터 구조와 관련된 최신 기술이나 연구 논문을 학습한다. | |||||||||
| ESW5032 | 의료시스템보안 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 의료시스템이 중요한 ICT 응용분야로 급부상하고 있으며 정보보호가 중요한 요소로 인식되고 있다. 본 과목에서는 의료시스템을 침해하는 공격요소와 시스템의 취약점을 공부하고, 이에 대응할 수 있는 정보보호 기법에 대해 학습한다. 특히, 네트워크, 시스템, 데이터베이스, 콘텐츠, 개인정보를 보호하기 위한 각각의 기본 이론과 응용 기법들을 학습한다. 또한, 기존의 정보보호 기법들이 의료시스템에서는 어떤 특성을 갖고 적용되는 지 고찰한다. | |||||||||
| ESW5034 | 머신러닝보안및완건성 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | 영 | Yes | |
| 머신 러닝(ML) 기술은 다양한 필수 애플리케이션에서 빠르게 채택되었습니다. 그러나 ML 기반 시스템은 시스템의 전반적인 보안을 위협하는 몇 가지 취약점에 직면하고 있습니다. 이러한 학습 모델의 근본적인 보안/개인 정보 문제를 식별하고 집중하기 위해 여러 연구 작업이 수행되었습니다. 또한 이러한 취약점에 대응하기 위한 다양한 제안이 이루어지고 있습니다. 많은 대학원생이 머신 러닝 모델을 구축하기 때문에 새로운 학습 모델을 개발할 뿐만 아니라 잠재적인 적대적 공격과 이에 대한 ML 모델을 보호하는 방법을 인식하는 것도 필수적입니다. 이 과목은 학생들이 적대적 ML 영역에서 최근의 최첨단 공격 및 방어 기술에 대해 배울 수 있도록 돕습니다. 또한 이 과정은 기본적인 보안 개념, 보안 코딩 작성, 소프트웨어 보안 모범 사례, 소프트웨어 검증 접근 방식 및 원칙과 같은 여러 관련 주제를 다룹니다. 이 과목은 딥 러닝 및 파이썬 개발을 포함한 머신 러닝에 대한 좋은 지식이 필요합니다. | |||||||||
| ESW5035 | 고급컴퓨터네트워크구조설계 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목은 학부 네트워크 과목의 고급 과정으로, 선수과목은 학부 네트워크와 운영체제이다. 주요 주제는 다음과 같다: Software Defined Network (SDN): Open Flow, Network Orchestration Network Function Virtualization: Container, NFV Applications Datacenter Network: RDMA, Delay-based congestion control Mobile/Wireless Network: 4G/5G Network, Wi-Fi, IoT networks | |||||||||
| ESW5037 | 사용자중심보안 | 3 | 6 | 전공 | 석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목은 사용자 입장에서 시스템을 어떻게 안전하게 설계, 개발하는지에 집중하고 있다. 본 과목을 통하여 HCI의 기본적인 원칙을 학습하고 사용자 입장에서 시스템을 안전하게 설계하기 위해서 고려해야 하는 중요한 설계 원칙을 학습할 것이다. 보안성과 함께 사용성을 측정할 수 있는 방법을 학습할 것입니다. | |||||||||
| ESW5041 | 디지털헬스보안 | 3 | 6 | 전공 | 석사/박사 | 1-3 | 소프트웨어학과 | - | No |
| 디지털치료제는 새로운 ICT 와 Medical field 의 분야로 급부상하고 있다. 본 세미나에서는 디지털치료제를 구현하기 위한 cutting edge 기술인 IoT, AI, Display, 분석 기술 등에 대해 발표하고 토론하는 방법으로 진행한다. | |||||||||
| ESW5048 | 신뢰의머신러닝 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 소프트웨어학과 | 영 | Yes |
| 우리의 삶을 개선하기 위해 실제 응용 프로그램에서 머신 러닝(ML)과 딥 러닝(DL) 시스템이 점점 더 많이 구현되고있습니다. 때문에 이러한 시스템이 적절해야하고 신뢰할 수 있는 행동을 나타내도록 보장하는 것이 필수 입니다. 연구자와 실무자는 정확할 뿐만 아니라 설명 가능하고 공정하며 개인 정보 보호, 인과 관계 및 강력한 ML 모델 및 알고리듬을 개발하고 배포하는 데 점점 더 관심을 보이고 있습니다. 이 과정은 학생들이 신뢰할 수 있는 기계 학습 모델을 개발하기 위한 현재의 노력에 대해 배울 수 있도록 도와줍니다. 또한 이 과정은 모델 공정성과 투명성, ML/DL 설명 가능성, ML 모델의 보안 및 개인 정보 보호와 관련된 다양한 개발 연구 문제를 다룰 예정입니다. 대부분의 과정 내용은 제일 최신 세미나 내용과 출판물을 사용 할 예정입니다. 이 수업을 이해하기 위해서 머신 러닝, 특히 딥 러닝과 파이썬 프로그래밍에 대한 확실한 이해를 필수 조건으로 하고 있습니다. | |||||||||
| SIC5011 | 융합프로젝트연구 | 3 | 6 | 전공 | 석사/박사 | 소셜이노베이션융합전공 | 한 | Yes | |
| 경제적 격차, 건강•생애주기 격차 및 지능정보기술 격차 관련 사회문제 해결을 위한 개별연구 교과목이다. 연구주제는 학생과 지도교수가 상의하여 결정한다. | |||||||||
| SIC5012 | 소셜이노베이션융합현장실습 | 3 | 6 | 전공 | 석사/박사 | 소셜이노베이션융합전공 | 한 | Yes | |
| 1~2학기를 통해 학생들이 대학원에서 배운 것과 현장경험을 연계시키도록 지도. 학생은 이론적인 지식을 실제 산업체 환경에 적용함으로써 미래에 대한 결정을 내릴 때 많은 정보를 활용하는 능력을 기름 | |||||||||
| SUP5001 | 심층신경망이론및응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | - | No |
| 본과목은 여러분야에서 다양하게 활용되는 인공신경망 기반의 딥러닝을 다룬다. 특히 컴퓨터비전과 자연어처리 분야에서 현대 인공신경망이 어떻게 활용되는지 다룬다. Convolutional networks, RNNs, LSTM, Dropout 등을 학습한 다. 이와 더불어 최근의 주요 딥러닝 기술트렌드를 소개한다. | |||||||||
| SUP5002 | 컴퓨터구조및AI응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | - | No |
| 본 강의에서는 현대의 컴퓨터 구조와 관련한 수치 표현 및 연산, 데이터경로와 파이프라이닝, 캐시 구조, 메모리 시스템, 저장장치와 입출력 장치 등의 원리와 기법들에 대해 강의한다. 컴퓨터 구조의 응용 중 하나로, AI 및 딥러닝 모델의 효율적인 학습과 추론을 위해 최근에 제안된 하드웨어 구조와 기법들에 대해서도 다룬다. | |||||||||
| SUP5003 | 머신러닝알고리즘과응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | 영 | Yes |
| 본 과목은 머신러닝을 처음 배우는 학생들의 동기를 부여하기위하여, 지도학습과 비지도학습을 위한 다양한 머신러닝 모델을 소개하고, 이 모델들을 머신러닝 라이브러리 scikit-learn을 이용한 실습과제를 수행함으로써, 모델에 대한 이해와 더불어, 실제 데이터를 이용하여, 다양한 문제에 적용하는 응용의 경험을 얻게 하는 것이 목표이다. 지도학습과 관련해서는, 선형모델을 이용한 회귀분석을 시작으로 over-fitting 문제가 왜 발생되는지, 이를 선형회귀에서 다루는 가장 대표적인 L2 regularization을 적용한 ridge regression, 이진분류 문제를 위한 가장 대표적인 방법인 logistic regression, 심플하면서도 널리 쓰이고 있는 분류기인 k-nearest classifier, 텍스트 데이터 분류에 널리 쓰이고 있는 Naive Bayes classifier를 소개한다. CART와 같은 decision tree 모델을 소개하고, Bagging이 적용된 random forest, 그리고 boosting 방법을 소개한다. Support vector machine을 이용한 large margin classifier를 또한 소개한다. 비지도학습과 관련해서는, 레이블 정보 없이 데이터를 군집화는 두 가지 방법, 즉 k-means clustering 과 mixture of Gaussians을 소개한다. 고차원 데이터를 저차원으로 변환하는 dimensionality reduction 방법으로 principal component analysis, nonnegative matrix factorization, stochasitic neighorhood embedding 방법을 소개한다. | |||||||||
| SUP5004 | 신경연결소자와응용 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | 한 | Yes |
| 신경 인터페이스로 사용되는 전자소자의 구조 재료 전기적 특성에 대한 기초적 지식을 다루며, 신경 연결 소자를 사용한 다양한 진단 치료 방법을 이론강의를 통하여 습득한다. 예를 들어, 신경 치료를 하기 위한 전기, 빛, 약물 자극의 효과와 이를 위한 전자소자의 필요 성능 및 기능을 확인한다. 신경 연결 소자의 발전과정과 현재 진행 중인 관련 연구 경향을 알아보고, 미래 연구 방향을 예측해 본다. 본 교과목에서는 신경연결 소자에서 요구되는 융합 지식을 교육하고, 융합적 공학 인재 양성을 목표로 한다. | |||||||||
| SUP5005 | 인공지능과클라우드시스템 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | - | No |
| 클라우드 시스템은 대규모 컴퓨팅 자원을 필요로 하는 인공지능의 학습과 추론을 위한 핵심 인프라로 사용되고 있다. 본 과목은 인공지능을 위한 분산처리 및 클라우드 시스템 기술의 핵심 요소와 최근 기술 동향을 다룬다. 구체적으로 클라우드 시스템 인터페이스, 오케스트레이션 기술, 가상화 기술을 학습하고, 분산학습의 원리, 분산학습 프레임워크 디자인과 클라우드 시스템에서 분산학습 클러스터의 설계와 구현기법에 관해 배우게 된다. | |||||||||
| SUP5006 | 머신러닝을위한수학 | 3 | 6 | 전공 | 석사/박사 | 1-4 | 수퍼인텔리전스학과 | 한 | Yes |
| 본 과목은 머신러닝을 배우는 학생들이 처음에 겪는 가장 큰 어려움인, 수학적 지식의 부족을 보강해주는 목적으로 설계된 과목으로, 머신러닝에서 꼭 필요한 여러 수학들을 모아서 가르친다. 벡터와 행렬을 다루는 선형대수를 시작으로, 선형 대수 방정식, 내적, norm, orthogonal projection과 같은 개념을 소개하고, SVD와 같은 행렬분해가 머신러닝에서 어떻게 활용이 되는지도 소개한다. 확률과 분포와 관련해서는, 랜덤 변수, 기대값, 가우시안 분포, Bernoulli 분포등을 소개하고, 확률과 분포가 머신러닝에서 어떤 역할을 하는지도 설명한다. Parameter estimation 방법으로, maximum likelihood estimation, maximum a posteriori (MAP) estimation을 소개한다. 정보이론과 관련해서는 entropy, mutual informtion, KL-divergence를 소개한다. Continuous optimization에 필요한 vector calculus를 소개하고, 가장 대표적인 gradient descent/ascent 방법과 Newton 방법을 소개함으로써, 머신러닝을 위한 수학을 마무리하고, 몇 개의 대표적인 머신러닝 모델을 살펴보며, 앞에서 배운 수학이 어떻게 활용되는지 살펴본다. | |||||||||