알고리즘특론(Special Topics in Algorithms)

본 과목에서는 효율적인 알고리즘 설계와 프로그래밍을 위한 방법론과 이론을 깊이 있게 소개하며 해당 이론을 습득한다. Sorting, Searching, 그리고 Graph Theory, NP-Complete, 알고리즘 설계 방법으로 Divide-and-Conquer, Greedy, Dynamic Programming 등에 대해 공부한다. 또한 여러 가지 유용한 문제들에 대해 알고리즘을 설계하고 구현하도록 한다.

인지공학(Cognitive Engineering)

본 과목은 인간이 외부 정보를 어떻게 인지, 처리, 행동하는 지에 대한 이론을 통해 실제 제품/서비스 개발에 적용하는 방법에 해해 학습한다. 인간의 언어이해, 기억, 의사결정 프로세스에 대한 이론이 다양한 적용 분야 별(스마트 기기, 가상 현실, 로봇, 키오스크 등)에 어떻게 적용되었는 지에 대해 살펴본다. 특히 AI 기능이 들어간 기기들에 초점을 두어 논문 리뷰를 통해 관련 연구들의 트렌드를 확인한다.

인간-인공지능상호작용(Human-AI Interaction)

This course studies how AI affects humans in the process of interacting with AI and how humans view AI. It studies the differences from existing human-computer interactions and the aspects that should be considered when designing the user experience of AI systems. It also introduces related theories to develop explainable AI systems. Lectures and presentations are conducted 100% in English.

패턴인식및기계학습(Pattern Recognition and Machine Learning)

This course provides advanced topics in pattern recognition and machine learning fields. This course aims at fostering graduate students to obtain programming skills (Python or R) to implement the algorithms handled in the lecture. Overall, this course contains six parts: 1) Probability distributions for regression and classification tasks, 2) Dimensionality reduction, 3) Neural networks, 4) Kernel methods, 5) Ensemble learning, and 6) Semi-supervised learning.

인공지능과UX(Artificial Intelligence & UX)

인공지능 기술이 접목된 소비자 제품인 대화형 인터페이스, 스마트홈 UX, 비전 인식 UX, 자율주행 자동차 등의 사례에 대해 소개하고, 각 사례에서 고려되어야 할 UX 심리학 이론에 대해 연구합니다. UX 심리학 이론은 인간정보처리과정, 의사결정모델, 인지모델 등을 포함합니다. 또한 인공지능 UX를 디자인하고 평가하는 데 필요한 통계 기법(SEM, Factor analysis 등)에 대해 학습합니다. 모든 강의는 영어 100%로 진행되며 발표 또한 영어로 진행될 예정입니다. 선행 교과목으로 정보융합학부의 UXUI 디자인, HCI와UX평가 수업의 수강이 필수적입니다.

시계열분석및예측(Time Series Analysis and Forecasting)

This course presents the fundamentals of time series data and its application. This course aims at improving graduate students to achieve programming skills to implement to time series methods handled in the lecture. Students will learn both the classic time-series modeling techniques and deep learning-based techniques.

혼합현실특론(Topics in Mixed Reality)

VR에서 Instant NeRF로 ‘몰입형 3D 세계’ 탐색
- NVidia Instance NeRF 소개
- HMD 동작 소개
- Unreal Engine 과 NeRF 코드 연동 실습

프로세스마이닝(Process Mining)

This course aims to understand the basic and advanced topics in the process mining discipline. More in detail, it covers (i) learning the core algorithms, including process discovery, conformance checking, and others, (ii) exploring the latest topics, including object-centric process mining, action-oriented process mining, etc., and (iii) identifying the applications in various domains, including healthcare, manufacturing, education, and IoT. Furthermore, students will have an opportunity to learn other process mining-related subjects, e.g., simulation and automation. The course schedule is tentative and will be modified.

강화학습기초및응용(Reinforcement Learning from Basics to Applications)

This course introduces the fundamental ideas of the reinforcement learning. Firstly, reinforcement learning in tabular forms is presented whose goal is introduce major terms and foundational ideas of RL. Then, function approximation methods are presented with the goal of showing how these methods overcome the problems in the tabular form RL. Students are required to carry out a project by modeling their problems as a RL problem.

UX애널리틱스(UX Analytics)

사용자 경험(UX)을 최적화하기 위해 현재의 UX 수준을 측정하고 분석하는 방법을 배우며 정량 UX 리서처 (Quant UX Researcher) 로서 갖추어야할 능력을 함양한다. 시선추적기, 마우스 움직임, IMU센서, 자세 추정 알고리즘 등을 통해 획득한 행동 데이터와 뇌전도, 심전도, 근전도, 피부저항 등 생리학적 신호를 기반으로 인간의 다양한 신체적, 감정적 상태를 측정하고 분석하는 과정을 다룬다.

인공지능서비스개발스튜디오(AI Service Development Studio)

Design Thinking 및 Business canvas 기반의 기획 방법론에 따라 인공지능 서비스를 기획하고, 이를 직접 구현해본다. 인간의 관점에서 여러 인공지능 모델을 서비스화 하기 위한 개발 방법론과 신뢰성을 확보하기 위한 요구사항에 대해 학습한다. 또한 fastAPI 를 통해 인공지능 서비스를 빠르게 구축하고 배포하는 과정을 실습하면서 MLOps의 개념을 익힌다.

빅데이터마이닝특론(Topics in Big Data Mining)

본 교과목에서는 맵리듀스, Spark와 같은 효율적인 병렬 프로그래밍을 위한 기법을 바탕으로 지역성 기반 해싱, 빈발 항목 집합, 클러스터링, 추천 시스템등의 기법을 대용량 데이터 관점에서 해결하는 방법을 익힌다. 분산 병렬 플랫폼 뿐만이 아니라 알고리즘 관점에서의 대용량 데이터를 다룰 수 있는 효율적은 접근 방법에 대해서도 알아본다.

원격헬스케어서비스UX(Remote Healthcare Service UX)

XR 방식을 활용하는 원격 헬스케어 서비스의 사용자 경험(User eXperience) 개념 및 평가 방법에 대해 학습한다. XR 기기를 활용할 때의 사용자의 외부 자극에 대한 지각-인지에 대한 특징을 학습하고, 이러한 특징이 반영된 사용자 인터페이스 사례를 확인한다. 다양한 UX 평가 방법을 학습한 후, 실제 XR 헬스케어 서비스에 적용하여 평가를 진행한다. 영어 100% 강의로 진행된다.

HCI/UX특론(Topics in Human-computer Interaction and User Experience)

HCI/UX특론은 인간-컴퓨터 상호작용(Human-Computer Interaction)과 사용자 경험(User Experience)에 대한 실제적인 기술을 주요 주제별로 나누어 다룹니다. 세미나와 토론을 병행하여 최신 HCI/UX 연구 동향과 산업 동향을 파악하면서, 인공지능 (AI) 기술과 이러한 주제들을 어떻게 융합할 것인지에 대한 답을 찾아나갑니다.

영상생성모델(Deep Generative Models for Images)

최신 딥러닝 기법을 활용한 영상 생성 및 변환 기술의 기본 내용 및 응용을 다룹니다. 전반기에는 텐서플로우(TensorFlow)를 이용해 딥러닝 기초와 간단한 모델 구현 실습을 익히고, VAE(Variational Autoencoder), GAN(Generative Adversarial Network) 등 전통적인 생성 모델의 원리를 학습합니다. 이후 스테이블 디퓨전(Stable Diffusion) 같은 최신 확산 기반 생성 모델을 소개하고, 얼굴 인식 편향성(debiasing) 프로젝트, Control Net을 이용한 모델 파인튜닝, GAN-inversion 기법을 활용한 스타일 변환 등 실용적인 AI 응용을 다루며 AI 기반의 문제 해결 능력을 기릅니다. 마지막으로 스테이블 디퓨전 기반 애니메이션 모델 사례 등 다양한 활용 예시를 살펴보고, 최종 발표를 통해 학생들이 다양한 분야의 AI 응용 사례 및 응용 결과를 공유하여 실무 감각과 응용력을 높이는 것을 목표로 합니다.

컴퓨터비전및응용(Computer Vision and Application)

본 교과목에서는 컴퓨터비전 분야에서 최근 머신러닝 및 딥러닝을 응용한 다양한 방법들에 대해서 학습한다. 특히, 딥러닝 모델이 어떻게 기저 함수를 학습시켜서 기존 선형 회귀 모델이 가지고 있는 한계점을 극복하는지 수학적 이론을 살펴본다. 또한 실무능력을 향상시키기 위하여 파이썬을 이용하여 CNN, RNN, GAN 등 다양한 딥러닝 방법을 구현하는 방법을 학습한다.

그래프머신러닝(Graph Machine Learning)

본 수업은 그래프 이론과 그래프 머신 러닝에 대한 내용을 바탕으로 그래프 표현 학습을 배운다. 그래프 신경망을 위한 그래프 이론, 딥워크 노드 생성, 노드투백, GNN, GCN, GAT 등의 다양한 그래프 인공 신경망의 구조를 학습하고 이를 효율적으로 사용하는 방법에 대해 배운다.

인지사물인터넷(Perceptive Internet of Things)

This course aims to develop smart devices and systems by integrating Internet of Things (IoT) technology and artificial intelligence (AI) technology. To achieve the goal, students are engaged in projects that involve the perception and processing of situations, objects, environments, and human behavior based on IoT and AI technologies. By undertaking such projects, the course aims to cover both theoretical knowledge and practical skills in the convergence of IoT and AI.

기계지능특론(Topics in Machine Intelligence)

This course presents significant five topics in machine learning applications. It covers artificial intelligence application utilizing deep learning, robotics, computer vision, and lightweight AI. First, it presents online learning and concept drift learning to address changing data distribtuion over time. Second, it explains Bayesian neural networks, which seeks a probabilistic approach to quantify uncertainties during learning. Third, it presents how to quantify the prediction confidence and its calibration. Forth, it discusses semi-supervised learning, self-supervised learnig, and active learning, which effectively train largescalse networks with limited labeled data. Lastly, it highlights the efficiency of using minimal computer resources through lightweight techniques such as pruning, quantization, and knowledge distillation.

베이지안머신러닝(Bayesian Machine Learning)

이 강좌에서는 회귀(regression)와 분류(classification)를 포함한 머신러닝의 근본적인 문제들을 학습합니다. 특히, 가장 기본적인 문제인 선형 회귀(linear regression)를 다루며, 선형대수, 기하학, 미적분, 확률을 활용하여 근사 해를 구하는 방법을 배웁니다. 이를 통해 인공지능에서 자주 사용되는 다양한 수학적 배경을 복습합니다. 이어서, 기저 함수(basis functions)와 커널(kernels)을 도입하여 선형 회귀를 비선형 데이터로 확장하고, 베이지안 방법을 사용해 추론의 불확실성을 추정합니다. 마지막으로, 활성화 함수(activation functions)를 회귀 문제에 적용하여 분류 문제를 해결하고, 베이지안 관점에서 살펴봅니다.

고급선형대수(Advanced Linear Algebra)

본 교과목에서는 선형대수를 선형회귀를 통해 대수적, 기하학적 관점에서 설명한다. 선형회귀는 인공지능의 가장 기초적인 모델로서 선형회귀가 가지고 있는 대수적인 성질과 기하학적인 의미를 살펴봄으로서 복잡한 인공지능 모델을 이해하는 필수 기초 지식을 쌓는다. 먼저 벡터와 행렬 연산의 대수적 성질과 기하학적 의미를 살펴본다. 다음으로 선형회귀로부터 생성된 연립일차방정정식에서 랭크와 벡터공간을 분석하고, 의사역행렬을 이용하여 대수적으로 찾은 최적해를 정사영을 통해 기하학적으로 설명한다. 마지막으로 고유값과 고유벡터, 특이값분해를 통해 대수적인 선형변환을 기하학적으로 설명하고 이해한다.

공간지능(Spatial AI)

본 교과목에서는 최근 주목받고 있는 공간지능(Spatial AI)에 대해서 전통적인 방법과 인공지능을 이용한 최신 방법을 살펴본다. 먼저 전통적인 방법으로 컴퓨터비전 분야의 SfM(Structure from Motion)과 로보틱스 분야의 SLAM(Simultaneous Localization and Mapping)에 대한 논문을 공부하고 발표한다. 다음으로 최신 방법인 Neural Volume Rendering 분야의 NeRF(Neural Rendering Field)와 3DGS(3D Gaussian Splatting)에 대한 논문을 공부하고 발표한다. 마지막으로, 전통적인 방법과 최신 방법의 융합을 통해 앞으로 다가올 공간지능 시대를 과학적, 경제적, 사회적 측면으로 예측한다.

뉴럴그래픽스(Neural Graphics)

Inverse Rendering (Computer Vision Solver via Differentiable Rendering) 의 개념 소개. 대표적인 예로 NeRF 와 Gaussian Splatting 의 최신 내용 리뷰. Generative Model 의 수학적 배경 (확률 이론)을 다루고 Diffusion Model 의 수학/물리적 배경 이해