|
|
|
|
강사
신봉기 교수(부경대학교)
내용
기계 학습은 몇 가지 기초적 수학 지식으로 쌓아 올린 학문이라고 할 수 있다.
결국 어떤 소프트웨어 도구를 사용하려고 하겠지만 그 도구를 잘 이해하고 결과나
문제점을 설명할 수 있기 위해서는 약간의 수학적 기초 지식이 필요하다.
본 강의에서는 이번 인공지능 겨울 학교에 참가하는 여러분들이 이미 과거 배웠고
대체로 알만한 내용들을 짚어보고 되새겨 볼 것이다.
약력
1999 - 현 재 : 부경대학교 IT융합응용공학과 교수
1991 - 1995 : KAIST 전산학과 박사
1987 - 1991: 한국통신SW연구소 선임연구원
|
▶ Machine Learning Basics
|
|
|
강사
석흥일 교수(고려대학교)
내용
본 강의는 기계학습의 개념 및 학습의 기본 이론과 알고리즘에 대한 소개를
목적으로 한다. 구체적으로 교사/비교사 학습 개념, 베이지안 통계 기법을 활용한 파라미터 학습, 선형 모델에서 비선형 모델로의 확장 등에 대해 살펴본다.
약력
2015 - 현 재 : 고려대학교 뇌공학과 부교수/조교수
2012 - 2014 : Univ. of North Carolina at Chapel Hill Postdoc Fellow
2012 : 고려대학교 컴퓨터·전파통신공학과 공학 박사
|
▶ 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 - 현 재 : 고려대학교 컴퓨터학과 교수
2005 - 2007 : 명지대학교 통신공학과 조교수
2003 - 2005 : Dotcast Inc. Senior System Architect
1998 - 2003 : Cornell University, 전자공학 박사
|
▶ Regularization and Optimization in Training Deep Neural Networks
|
|
|
강사
최종현 교수(GIST)
내용
As opposed to training conventional neural network, there are many
thoretical and practical issues in formulating and training deep neural
networks. We will cover regularization methods used in formulation
an objective function to be trained a deep architecture and optimization
techiniques to train a deep neural network
약력
2018 - 현 재 : GIST 전기전자공학부 조교수
2016 - 2018 : Allen Institue for Al, Reserch Scientist
2015 : University of Maryland, College Park 전기및컴퓨터공학과 박사
|
▶ Convolutional Neural Networks
|
|
|
강사
김인중 교수(한동대학교)
내용
Convolutional Neural Networks(CNN)은 영상처리에 매우 강력한 성능을
보일 뿐 아니라 자연어, 음성인식/합성에도 널리 사용된다.
본 강의에서는 CNN의 기본 개념과 컨볼루션 및 링 연산의 역할,
원리 및 종류에 대해 설명한다. 또한 최근 빠르게 발전하고 있는 CNN 모델들에
대해서도 설명한다.
약력
2016 - 현 재 : 머신러닝-스마트카 센터장
2006 - 현 재 : 한동대학교 전산전자공학부 교수/학부장
2012 : U.C. Irvine 방문 교수
2001 - 2006 : (주)인지소프트 책임연구원
1990 - 2001 : KAIST 전산학과 박사
|
▶ Recurrent Neural Networks
|
|
|
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 model등 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 - 현 재 : KAIST 전산학부 조교수, 부교수
2006 - 2007 : MIT Media Lab 박사후 연구원
2006 : MIT 전자전산학 박사
|
▶ Deep Reinforcement Learning
|
|
|
강사
박주영 교수(고려대학교)
내용
깊은 강화학습(Deep Reinforcement Learning)은 현대 인공지능 기술 중 가장
활발한 연구가 이루어지는 분야 중 하나로써, 강화학습, 제어이론 및 딥러닝
기술이 결합되어 시너지 효과를 거두며 급속한 발전을 이루고 있다.
본 강좌에서는 깊은 강화학습 기술의 과거와 현재를 구성하는 주요 주제인
Controlled Ito Process, Stochastic Optimal Control,
Hamilton-Jacobi-Bellman Equation, Markov Decision Process,
Deep Reinforcement Learning, AlphaGo Zero,
Smoothed Bellman Embedding, K-Learning 등의 개념을 살펴보고,
이와 관련한 미래 기술의 방향에 대해 생각해본다.
약력
1993 - 현 재 : 고려대학교 제어계측공학과 교수
1992 : University of Texas at Austin 전기및컴퓨터공학과 박사
1983 : 서울대학교 전기공학과 학사
홈페이지
|
▶ Meta-learning for Few-shot Classification
|
|
|
강사
김세훈 박사(AITRICS)
내용
본 강의에서는 메타 학습 방법 기반의 소수샷 분류(few-shot classification)
최신 알고리즘을 소개한다.
메타 학습이란 하나의 태스크만을 해결하기 위한 일반적인 지도학습의
패러다임을 확장하여, 태스크 자체를 해결할 수 있는 방법론을 의미한다.
고전적인 소수샷 분류기는 기계학습 모델을 적절하게 정규화(regularization)하여
적은 수의 레이블에서 기인하는 모델 과적합 문제를 해결하고자 하였지만
최근에는 메타 러닝 기반의 방법론이 소수샷 분류를 해결하는데 성공적으로
적용되고 있다.
본 강의에서는 MAML 계열의 매트릭 학습 기반/gradient 기반 방법론의
최신 연구를 소개한다.
구체적으로, 매트릭 기반 방법론에 대해서는 Prototypical Network를 포함하여
최근에 연구된 트랜스덕티브(transductive) 메타 학습 방법론을 소개한다.
Gradient 기반 방법론은 Model-agnostic Meta Learning (MAML) 및 이에 대한
각종 응용 알고리즘을 소개한다.
약력
2017-현재, AITRICS 선임 연구원
2018, POSTECH 컴퓨터공학 박사
2009, POSTECH 컴퓨터공학 학사
홈페이지
https://saehoonkim.github.io/
|
|
|
|
|
강사
양은호 교수(KAIST)
내용
본 강연에서는 structured probabilistic models, monte carlo methods와
approximate inference에 대해서 간략하게 리뷰하고, 이러한 테크닉들을 바탕으로
학습되는 다양한 형태의 generative model에 대해서 살펴본다. 보다 깊이 있는
generative model에 대한 이해를 제공하기 위하여, 모델들이 갖는 이질적인
property들에 대해서도 살펴본다. 이들 모델의 일부에서는 확률 분포 함수를
명시적으로 나타내는 반면, 다른 일부에서는 implicit한 모델로서 확률 분포의 값은
명시적으로 나타나지 않지만, 샘플 drawing과 같은 task를 지원할 수 있다.
혹은, 이 모델들 중 일부는 graphical model로 기술되는 모델인 반면, 다른
모델들은 factor 그래프 관점에서 쉽게 기술될 수는 없지만, 여전히 valid한
확률 분포를 나타내기도 한다.
약력
2016 - 현재 : KAIST 전산학부 조교수
2014 - 2016 : IBM T.J. Watson Reserch Center. Research Staff Member
2014 : University of Texas at Ausin 컴퓨터과학 박사
홈페이지
http://mli.kaist.ac.kr
|
