Loading...

학술행사

Korean AI Association

  >   학술행사   >   국내학술대회

국내학술대회

연사 및 강의소개
▶ Deep Feedforward Networks
 
 
 
 
 
 
 
 
 
  강사
   정원주 교수(고려대학교)
 
  내용
   본 강의에서는 딥러닝의 기본에 해당하는 Feedforward Neural Network (FNN)의
   모델과  FNN의 Universal Approximation 성질과 FNN 학습에 사용되는
   Back-Propagation 알고리즘을 설명한다.
   또한, Deep FNN 구현에 적합한 다양한 activation 함수와  실제적 구현에
   고려할 점들에 대해 설명한다.
 
  약력
   2008 - 현재 : 고려대학교 컴퓨터학과 교수
   2005 - 2007 : 명지대 통신공학과 조교수
   2003 - 2005 : Dotcast Inc. Senior System Architect
   1998 - 2003 : Cornell University, 전자공학 박사
 
▶ Convolutional Networks
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   조민수 교수(POSTECH)
 
  내용
   본 강의에서는 딥러닝 시대를 가능하게 한 가장 대표적인 아키텍쳐인이 합성곱
   신경망(convolutional neural network)을 소개하고, 컴퓨터비전 분야의
   과거 주요 모델들과 관련 지어 그 역사적 맥락을 살펴보면서 성공 원인을
   분석해본다. 또한, 영상 분류(image classification)뿐 아니라,
   물체 탐지(object detection), 의미론적 분할(semantic segmentation),
   영상 정합(correspondence), 영상 묘사(image captioning),
   질의 응답(visual question answering)등의 문제들에 어떻게 사용되는지
   살펴볼 것이다.
 
  약력
   2016 – 현재 : POSTECH 컴퓨터공학과 조교수
   2012 - 2016 : 프랑스 컴퓨터과학 연구소(INRIA), 파리고등사범학교 (ENS)연구원
   2012            : 서울대 전기컴퓨터공학부 박사
 
  홈페이지
    http://cvlab.postech.ac.kr/~mcho/
 
▶ Recurrent and Recursive Nets
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   최재식 교수(UNIST)
 
  내용
  
시계열 데이터 기반 딥러닝 모델은 금융, 의료등 다양한 응용에 사용될 수 있다.
   본 강의에서는 시계열 데이터를 분석하는 인공신경망 모델인
   Recurrent Neural Network(RNN), Long-Short Term Memory(LSTM)등을
   살펴보고 관련된 문장 요약, 메모리 네트워크, 이미지 설명등의 응용을
   소개한다. 이론적으로, RNN의 튜링 머신을 표현할 수 있다는 것을 예제를
   통해서 보이고, 왜 선형 모델에 기반한 RNN이 장거리 상관관계
   (long-term dependence)를 표현하기 어려운지도 함께 살펴본다.
 
  약력
   2017 - 현재 : 과학기술정보통신부/UNIST 설명가능인공지능 연구센터장
   2013 - 현재 : UNIST 전기컴퓨터공학부 부교수
   2013           : 로렌스 버클리 연구소 박사후 펠로우
   2012           : 일리노이 주립대 전산학과 박사 / 박사 후 연구원
 
  홈페이지
   http://sail.unist.ac.kr
 
▶ Structured Probabilistic Models for DL
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   양은호 교수(KAIST)
 
  내용
   구조화된 확률 모델은 자연어 처리등 최근 딥러닝 연구의 핵심 요소 중의
   하나라고 할   수 있다. 딥러닝 기반의 생성 모델 등 최신 딥 러닝 알고리즘을
   보다 잘 이해하기 위하여, 구조화된 확률 모델의 기본을 잘 이해하는 과정은
   필수적이다. 본 강연에서는 그래프를 사용하여 확률 분포에서 임의의 변수의
   상호작용을 모델링하는 확률 그래프 모델에 대해서 살펴보고 최근 딥러닝을
   이용한 확률 그래프 모델의 발전에 대해서 논의한다.
 
  약력
   2016 - 현재 : KAIST 전산학부 조교수
   2014 - 2016 : IBM T.J. Watson Research Center, Research Staff Member
   2014            : University of Texas at Austin 컴퓨터과학 박사
 
  홈페이지
   http://mli.kaist.ac.kr
 
▶ Autoencoder and Representation Learning
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   김인중 교수(한동대학교)
 
  내용 
   본 강의에서는 Autoencoder와 Representation Learning에 대해 강의한다.
   입력패턴  을 재현하는 Autoencoder의 기본 기능뿐 아니라 특징추출,
   노이즈 제거 등 다양한 기능을 수행하는 여러 가지 Autoencoder들을 소개한다.
   또한, Representation Learning의 개념과 중요성, 그리고 딥러닝에서
   이루어지는 Representation Learning에 대해 설명한다.
 
  약력
   2016 - 현재 : 머신러닝-스마트카 센터장
   2006 - 현재 : 한동대학교 전산전자공학부 교수/학부장
   2012 : U.C. Irvine 방문 교수
   2001 - 2006 : (주)인지소프트 책임연구원
   1990 - 2001 : KAIST 전산학과 박사
 
  홈페이지
   http://pro.handong.edu/callee/
 
▶ Deep Generative Models
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   최승진 교수(POSTECH)
 
  내용
   Deep learning has enjoyed its success over the last decade.
   Most of emphasis was given to discriminative models,
   with their applications to recognition problems.
   On the other hand, generative models have played
   a critical role in machine learning as well.
   In this tutorial, I introduce recent advances in deep generative models,
   such as variational autoencoders (VAEs)
   and generative adversarial networks (GANs).
   I will describe these models in the perspective of prescribed or implicit 
   models and will show some successful applications.
 
  약력
   2001 - 현재 : POSTECH 컴퓨터공학과 교수
   1997 - 2000 : 충북대 전기전자공학부 조교수
   1997            : 일본 이화학연구소 Frontier Researcher
   1996            : Ph.D., Electrical Engineering, University of Notre Dame
   1989            : MS, 서울대학교 전기공학과
   1987            : BS, 서울대학교 전기공학과
 
 
▶ Applications in Computer Vision
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   김건희 교수(서울대학교)
 
  내용
   본 강연에서는 컴퓨터 비전 분야에서 활발히 연구되고 있는 깊은
   신경망 모델 기반의 few-shot learning 방법론을 다룬다.
   깊은 신경망 모델은 양질의 학습데이터가 매우 많이 필요하다는 한계가 있는데,
   소수의 데이터 만으로 새로운 클래스를 배울 수 있는 few-shot learning이
   대안으로써 활발히 연구 되고 있으며, 본 강연에서는 기본적인 개념과
   최신 연구에 대해서 소개한다.
 
  약력
   2015 - 현재 : 서울대학교 공과대학 컴퓨터공학과 조교수
   2013 - 2015 : 박사후 연구원, Disney Research
   2009 - 2013 : Carnegie Mellon University 전산학 박사

  홈페이지
 
▶ Applications in Sequence Data Modeling
 
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   조성호 교수(KAIST)
 
  내용
   딥 러닝 모델 중에 시계열 데이터를 처리하는 Recurrent Neural Network (RNN)
   모델 계열 중 특히, Long-Shot Term Memory (LSTM)과
   Gated Recurrent Unit (GRU)를 비교 분석하면서 왜 성능이 우수한지 살펴본다.
   또한 Attention model 등 이들 모델에 확장 적용되는 기술을 살펴보고
   최근 음성 인식, 이미지 캡션, 행동 인식 등 다양한 연구 분야에서
   시계열 딥러닝 모델이 어떻게 활용되고 있는지 알아본다.
 
  약력
   2008 – 현재 : KAIST 전산학부 조교수, 부교수
   2006-2007   : MIT Media Lab 박사후 연구원
   2006            : MIT 전자전산학 박사
 
  홈페이지
 
Applications in Healthcare
 
 
 
 
 
 
 
 
 
 
 
 
  강사
   황성주 교수(KAIST)
 
  내용
   딥러닝 등 최신 기계학습에 기반한 인공지능이 최근 여러 문제에서 인간을
   능가하는 성능을 보이며, 이의 의료에의 적용이 다방면으로 시도되고 있다.
   하지만, 의료라는 분야의 특수성 때문에 의료 인공지능의 구현에 기존의
   기계학습 방법론을 그대로 적용할 수 없다는 한계점이 존재한다.
   본 강의에서는 의료라는 새로운 도메인이 인공지능에 제시하는
   여러 도전과제와 이의 기계학습적 해결법에 대하여 소개한다.
 
  약력
   2018 - 현재 : KAIST 전산학부 조교수
   2014 - 2017 : UNIST 컴퓨터공학과 조교수
   2013 - 2014 : 박사후 연구원, Disney Research
   2013 : Ph.D. in Computer Science, University of Texas, Austin, USA
 
  홈페이지