▶ Bayesian Learning 개론
|
 |
강사
신봉기 교수(부경대학교)
내용
최근 기계 학습 연구 개발자들 사이에는 세상은 볼 수록 모르는 것, 많은 데이터를 주고 컴퓨터에게 모든 것을 내맡기는 '학풍'이 대유행하고 있다. 결과적으로 사람은 더 알게 된 것이 없지만 컴퓨터는 뭔가를 배운다. 순수한 의미의 기계 학습을 제대로 달성하고 있는 것 같다. 이와 달리 기계가 하는 짓을 꼭 알아야겠고 또 원하는 대로 배우게 만들려는 전통적 '학풍'도 있다. 최근 기계학습의 근간을 이루는 큰 줄기의 하나로써 많은 데이터, 불확실하거나 불완전하고 애매한 것들, 이 모든 것을 어떻게든 확률 모형으로 포장하려는 거의 강박관념에 가까운 편집증을 보이기도 한다. 통계적 기계 학습 모형에 의한 베이스 학습 또는 베이스 추론을 가리킨다. 여러분이 원하지 않는 것일 지 모르겠지만 기계 학습을 위한 수고를 사람이 먼저 하는 방식이다. 본 강의는 베이스 학습의 첫 발자국을 다룬다. 확률 모형, 베이스 정리, 그리고 모수 추정 방법을 다룰 것이다. 기억 속의 어딘가에 있을 아련한 지식을 꺼내어 정리하고 기계학습의 첫 계단으로 다듬기로 한다. 혹시 미리 준비할 것이 있다면 약간의 선형대수의 기초, 베르누이와 가우스, 미적분의 첫 페이지 정도 될 것이다. 베이스 학습을 향한 둘째 발자국은 자연스럽게 각자가 내딛게 된다.
약력
1999 - 현재 : 부경대학교 IT융합응용공학과 교수
1991 - 1995 : KAIST 전산학과 박사
1987 - 1991 : 한국통신SW연구소 선임연구원
|
▶ Bayesian Nonparametric Learning
|
 |
강사
최재식 교수(UNIST)
내용
비모수 베이지안 모델은 무한차원의 모수공간에서 베이지안 기법을 이용하여 회귀, 분류, 군집화 등의 문제를 해결하는 기계학습 기법이다. 모수는 특정한 기계학습 문제의 해로 설정하며, 비모수 베이지안은 모든 모수의 집합중 데이터를 가장 잘 설명하는 해를 베이지안 기법으로 선택하는 모델이다. 회귀 분석의 예를 들면, 모수의 집합은 데이터를 설명할 수 있는 해의 집합을 말한다. 본 강의에서는 비모수 베이지안 모델 중 가우시안 과정(Gaussian Processes), 디리클레(Dirichlet Processes), 무한 은닉 마코프 모델(Infinite Hidden Markov Models) 및 인디안 뷔페 과정(Indian Buffet Processes)를 소개한다. 또한, 이런 비모수 베이지안 모델을 응용하여 시계열 데이터를 분석하며 사람이 이해할 수 있는 보고서를 자동으로 작성할 수 있는 자동통계학자 시스템을 소개한다.
약력
2013 - 현재 : UNIST 전기컴퓨터공학부 조교수
2013 : 로렌스 버클리 연구소 박사후 펠로우
2012 : University of Illinois 전산학과 박사 / 박사후 연구원
|
▶ Bayesian Reinforcement Learning
|
 |
강사
김기응 교수(KAIST)
내용
본 강의는 기계학습의 분야인 강화학습(Reinforcement Learning)을 다룬다. 비교적 널리 알려져 있는 패턴인식과 같은 문제들과 달리, 강화학습에서는 기계가 지능적으로 판단하고 행동하는 문제들을 다룬다. 강화 학습의 중요 모델인 마르코프 의사결정과정(Markov Decision Process; MDP)과 부분관찰 마르코프 의사결정(Partially Observable Markov Decision Process; POMDP)에 대하여 논의하고, 이 모델들과 관련된 기본적인 알고리즘과 동작원리를 배운다. 그 다음 강화학습의 성배라고 부를 수 있는 베이지안 강화학습(Bayesian Reinforcement Learning)에 대하여 논의하고, 시간이 허락되면 강화학습의 전통적 문제 정의가 변형된 역강화학습(Inverse Reinforcement Learning)과 도제학습(Apprenticeship Learning)에 대하여 배운다.
약력
2006 - 현재 : KAIST 전산학과 부교수
2004 - 2006 : 삼성종합기술원 전문연구원
2001 - 2004 : 삼성SDS 책임연구원
2001 : Brown University Computer Science 박사
|
▶ Neural Networks 개론
|
 |
강사
석흥일 교수(고려대학교)
내용
최근 인간과 컴퓨터와의 바둑 대결과 같은 세계적 이벤트와 더불어 기계학습에 대한 관심도가 급증하고 있다. 특히, 기계학습 기법 중 하나인 딥러닝은 각종 챌린지에서 최고의 성적을 거둠과 동시에 다양한 분야에서 성공적으로 활용됨으로써 그 가치를 입증하고 있다. 본 강연에서는 딥러닝의 근간이 되는 (인공)신경망에 대한 구조적 특성과 신경망 학습 알고리즘에 대해 학습한다. 또한 깊은 신경망으로의 확장을 위한 기술적 요소들에 대해서도 소개한다.
약력
2015 - 현재 : 고려대학교 뇌공학과 조교수
2012 - 2014 : Univ. of North Carolina at Chapel Hill 박사후 연구원
2012 : 고려대학교 컴퓨터·전파통신공학과 박사
|
▶ Deep Convolutional Neural Network
|
 |
강사
김준모 교수(KAIST)
내용
Deep Learning은 최근 음성 인식, 영상 인식 분야의 각종 세계 기록을 새로 수립하면서 강력한 기계학습 방법으로 각광받고 있다. 특히 기존에 사람이 수동으로 각종 Feature를 Design한 후 기계학습 방법과 결합하여 분류, 인식 문제를 해결하던 패러다임을 탈피하여 Data로부터 자동적으로 계층적인 Feature들을 학습하고 분류, 인식까지 통합하여 수행할 수 있다는 점에서 Deep Learning은 기계학습의 새로운 패러다임을 제시하였다고 할 수 있다. 본 강의에서는 영상 인식을 위한 Deep Convolutional Neural Network (CNN)을 소개하고 CNN이 그 동안 어떻게 발전되어 왔는지 살펴본다. 또한 영상 인식 이외에도 Localization, Detection, Segmentation 문제들에 CNN이 활용된 사례와 Image Captioning, Visual Question Answering 문제에서의 성과들도 소개한다.
약력
2009 - 현재 : KAIST 전기및전자공학과 조교수
2005 - 2009 : 삼성종합기술원 전문연구원
1998 - 2005 : MIT EECS 석사 / 박사
|
▶ Deep Recurrent Neural Network
|
 |
강사
정상근 박사(SKT)
내용
최근 여러 분야에서 탁월한 연구 결과를 보여주고 있는 Recurrent Neural Networks의 개념, 최신 기술 및 응용 사례를 소개한다. 특히 RNN을 활용한 Sequence to Sequence (S2S) Learning라는 Machine Learning Framework을 소개하고 다양한 방면에서 해당 Framework을 적용하는 방법을 소개함으로써, 패턴인식을 넘어서는 딥러닝의 활용 가능성을 소개한다.
약력
2014 - 현재 : SKT 미래기술원
2012 - 2014 : 한국전자통신연구원(ETRI) 선임연구원
2010 - 2012 : 삼성전자 책임연구원
2006 - 2010 : POSTECH 컴퓨터공학 박사
|
▶ Caffe 환경에서의 딥러닝 실습
|
 |
강사
김계현 박사(Intel Korea)
내용
Caffe는 Computer Vision 분야에서 가장 널리 쓰이는 Deep Learning Library 중 하나로, 프로그래밍에 능숙하지 않아도 손쉽게 다양한 Deep Network 구조를 고안하여 성능을 테스트 해 볼 수 있고, 자신이 고안한 Network 구조와 학습시킨 결과물 전부를 다른 Caffe 사용자에게 아주 간편하게 공유할 수 있다는 큰 장점을 가지고 있다. 이러한 편의성을 바탕으로 기존에 발표된 수많은 Deep Network 기반 방법들이 Caffe를 통해 공유되고 있으며, Caffe 사용자라면 누구나 즉시 논문의 결과를 재현하고 성능을 비교해 볼 수 있어 연구에 큰 도움을 받을 수 있다. 본 강좌에서는 우선 간단한 Image Recognition 예제를 실습해 보며, Caffe를 이용해 주어진 문제에 적합한 Deep Network 구조를 제작, 학습, 테스트하는 방법을 소개한다. 또한 Deep Learning의 대표적인 응용 분야 중 하나인 Object Detection (사진 및 영상에서 사람, 자동차, 동물 등 다양한 종류의 오브젝트를 검출해내는 Computer Vision 응용) 예제를 통해, 좀 더 복잡하고 실제적인 활용 방법을 강의한다.
약력
2015 - 현재 : Intel Photography Vision and Applications Team
2014 - 2015 : 삼성전자 영상디스플레이 사업부
2014 : POSTECH 컴퓨터공학 박사
[다운로드] 사전 준비 사항 |
▶ 딥러닝 구현의 이론 및 실제
|
 |
강사
김인중 교수(한동대학교)
내용
수년 전부터 딥러닝은 다양한 분야에서 탁월한 성능을 보이며 인공지능 머신러닝 분야에서 가장 중요한 방법론이 되었다. 딥러닝의 기본 개념 및 원리에 대해서는 많은 자료가 공개되어 있으나, 실제로 딥러닝 엔진을 구현하는 것은 복잡하고 시간이 많이 요구되는 작업이다. 특히, 딥러닝 논문들은 구현에 대한 자세한 내용을 생략하는 경우가 많아서 딥러닝 이론이 실제로 어떻게 구현되는지 이해하기 쉽지 않다. 본 강의에서는 CNN을 비롯한 딥러닝에 사용되는 LeCun의 Back-Propagation 알고리즘이 전통적인 MLP 학습 알고리즘과 다른점을 설명하고, 이를 실제로 구현하는 방법을 소스 코드 예제와 함께 설명한다. 먼저 CPU를 이용한 신경망의 구현을 설명한 후 GPU를 이용해 신경망을 가속하는 방법을 간단히 소개한다.
약력
2012 : U.C. Irvine 방문 교수
2006 - 현재 : 한동대학교 전산전자공학부 교수
2001 - 2006 : (주)인지소프트 책임연구원
1990 - 2001 : KAIST 전산학과 박사 |
