성균관대학교 소프트웨어융합대학 | 대학원과정 | 실감미디어공학과

교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.

교육과정
학수번호	교과목명	학점	자기 학습 시간	영역	학위	이수 학년	비고	언어	개설 여부
ESW4006	정보시각화	3	6	전공	학사/석사		소프트웨어학과	한	Yes
데이터 저장 및 처리 기술의 발달로 인해 인간이 다루는 데이터의 크기는 전례 없는 속도로 증가하고 있다. 이러한 데이터 크기의 증가에도 불구하고 인간의 인지 능력은 과거에서 크게 변하지 않아 인간과 데이터 사이의 정보 장벽이 심화되고 있다. 정보시각화(Information Visualization)는 이러한 정보 과부하를 효과적인 시각적 표현을 이용하여 해결한다. 본 교과목에서는 시각화를 효과적으로 디자인하고, 평가하고, 비평하는 방법을 학습한다. 또한, 인간의 인지적 특성과 이것이 어떻게 시각화에 이용되는지 배우고, 이것이 적용된 실제 시각화 및 상호작용 방법을 다룬다. 마지막으로, 이러한 인터랙티브한 데이터 시각화를 컴퓨터에서 구현하는 방법에 대해서 실습한다. 본 교과목에서 다룰 주제는 아래와 같다. - 정보시각화의 토대, 탐색적 데이터 분석, 시각적 분석 - 데이터 및 과업(task) 추상화 - 테이블, 지도, 네트워크, 텍스트, 불확실성 시각화 - 대용량 고차원 데이터를 위한 시각화 - 기계학습 기술의 설명력과 신뢰도를 위한 시각화
ESW4014	강화학습개론	3	6	전공	학사/석사		소프트웨어학과	한	Yes
본 과목은 주어진 환경에서 최적의 행동 정책을 찾는 강화 학습 (Reinforcement Learning, RL) 기초 이론과 알고리즘에 대해서 배운다. Markov Decision Process, Planning, Q-learning 과 같은 강화 학습 기초 이론부터 Value Function Approximation, Policy Gradient Method 와 같은 심층 신경망 기반 강화 학습 알고리즘을 다룬다. 더불어 환경 모사를 통한 Model-based RL, Exploitation & Exploration Trade-off, 전문가의 행동을 모방하는 Inverse RL 에 대해서도 학습한다. 본 과목을 이수하기 위해선 자료구조, 알고리즘 및 기계학습 등에 대한 기초 지식이 필요하다.
ESW4024	추천시스템개론	3	6	전공	학사/석사	1-4	소프트웨어학과	-	No
추천 시스템은 사용자의 클릭/구매 이력과 항목의 콘텐츠 정보를 활용하여 사용자의 숨겨진 선호도를 추론하고, 이를 기반으로 사용자가 좋아할만한 항목을 제공하는 것을 목표로 한다. 추천 시스템은 대규모의 데이터에서 유용한 정보를 찾아주는 대표적인 정보 필터링 방법으로 다양한 웹 애플리케이션 및 E-Commerce에서 폭넓게 활용되고 있다. 본 수업에서는 이와 같은 추천 시스템을 구현하기 위한 대표적인 추천 모델에 대해서 다룬다. 구체적으로, 사용자 이력만을 활용하는 협업 필터링(Collaborative Filtering)과 항목의 콘텐츠 간 유사도를 활용하는 콘텐츠 기반 필터링 기법에 대해서 다룬다. 특히 협업 필터링은 이웃 기반의 방법론과 모델 기반의 방법론에 대해서 다루며, 모델 기반은 전통적인 선형 모델부터 최근의 신경망 기반의 비선형 모델에 대해서 폭넓게 살펴본다. 또한, 최근 사용자의 순서 이력을 고려한 시계열 기반 추천 모델과 콘텐츠와 이력 정보를 함께 활용하는 행렬 분해 머신(Factorization machines)에 대해서도 살펴본다. 특히, 이와 같은 추천 모델을 직접 구현하여 성능 비교 및 장단점에 대해서 함께 살펴본다.
ESW5012	실시간시스템특론	3	6	전공	석사/박사	1-4	소프트웨어학과	영	Yes
본 과목에서는 실시간 시스템의 이론을 바탕으로, 소프트웨어 플랫폼을 지원하는 실시간 시스템의 최신 동향을 살펴본다. 먼저, 실시간 작업들의 스케줄링 기법을 소개한다. 여기에는 기본 실시간 작업 모델에 대한 유니프로세서/멀티 프로세서/클러스터 환경 스케줄링을 비롯하여, 포크-조인 실시간 작업 모델과 동기화를 위한 스케줄링 기법이 포함된다. 이러한 이론적인 내용을 기반으로 최근에 발표되는 논문을 통해 실시간 시스템의 연구들을 살펴보고, 이를 소프트웨어 플랫폼 지원에 활용할 수 있도록 한다.
ESW5014	컴퓨터그래픽스특론	3	6	전공	석사/박사	1-4	소프트웨어학과	-	No
컴퓨터그래픽스의 이론에 대한 기본적인 이해와 이를 바탕으로 하는 고급 기법들과 실무 지식을 다룬다. 본 과목의 이론에서 주요한 주제는 이미지, 기하, 모델링, 변환, 사영, 음영기법, 텍스쳐, 광선추적, 전역조명, 특수효과 등을 포함하며, 본 이론들이 그래픽스처리장치에서 구현될 수 있도록 실무기법을 다룬다.
ESW5023	텍스트마이닝및분석	3	6	전공	석사/박사		소프트웨어학과	-	No
텍스트 마이닝 및 분석은 문서로부터 숨겨진 정보를 추출하는 과정을 의미한다. 텍스트 마이닝은 문서 분류, 문서 군집화, 개체 추출, 감성 분석, 문서 요약, 개체 관계 모델링 등과 관련이 있다. 텍스트 분석은 정보 검색, 단어 빈도수 분포 분석, 정보 추출 등과 관련이 깊다. 즉, 텍스트 분석은 자연어 처리 기술과 분석 방법을 이용하여 문서를 분석하는 과정을 의미한다. 본 수업에서는 통계학적 방법론을 바탕으로 문서 마이닝 및 분석에 관련된 전반적인 과정을 다루고자 한다. 또한, 파이썬을 이용하여 문서 분석 기술들을 구현하는 부분도 함께 다루고자 한다. 본 수업의 선수 과목으로는 프로그래밍 기초, 자료구조, 알고리즘, 데이터 마이닝 및 기계 학습 등이 있다.
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.
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.
ESW5049	고급기계학습주제	3	6	전공	석사/박사		소프트웨어학과	영	Yes
이 과정은 기계 학습에 대한 기본적인 이해를 가진 대학원 학생들을 대상으로 하며, 고급 개념과 최근 ML 기반 응용 프로그램에 더 깊이 파고들고자 합니다. 이 과정은 최근 기계 학습의 발전에 중점을 두고 선택된 주제와 기계 학습 내의 방법들과 그 응용 분야, 포함하여 생성 모델, 확률 모델 및 베이지안 방법, 네트워크 최적화 알고리즘, 멀티모달 학습, 멀티태스크 학습, 앙상블 학습, 주의 메커니즘 및 변환기, 해석 가능한 모델, 그래프 신경망, 그리고 적대적 학습에 대해 심도 있게 다룹니다. 이러한 주제들을 다루면서, 이 과정은 컴퓨터 비전, 자연어 처리, 생물 의학 등의 분야에서의 응용도 함께 다룹니다. 이 과정을 마치면 학생은 기계 학습 문헌과 현재 연구 추세를 비판적으로 평가할 수 있어야 합니다. 이 과정은 실제 응용 프로그램을 위한 기계 학습 솔루션을 설계, 구현 및 평가하는 능력을 개발합니다.
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.
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.
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.
SUP5008	시스템인텔리전스	3	6	전공	석사/박사		수퍼인텔리전스학과	한	Yes
인공지능 기술 발전과 지능형 애플리케이션 적용 분야 확장에 따라, 대규모 모델 학습 및 추론을 최적 지원하기 위한 시스템 및 네트워크 구조 기술이 동시 요구되며, 이 또한 데이터 기반 머신러닝 기술과 연계되어 자동화, 효율화, 최적화 방향으로 발전하고 있다. 본 과목에서는 시스템, 네트워크, 머신러닝 분야 학제간 융합 연구를 토대로, (1) 최신 머신러닝 기술을 활용한 시스템 문제 해결 방법론과 (2) 인공지능의 실세계 문제 적용에 필요한 시스템 및 네트워크 구조에 대해 논의한다. 과목 일정은 다음과 같다. ● 1-5주차: 시스템 문제 해결을 위한 머신러닝 (강화학습, 메타학습, 모방학습, 자기주도학습 등) ● 6-10주차: 머신러닝 기반 시스템 문제 해결 (자동화, 자원관리, 스케줄링 등) ● 11-15주차: 인공지능의 실세계 문제 적용을 위한 시스템 및 네트워크 구조 (분산 학습 플랫폼, 모델 경량화, 가속 등)