Korean AI Association

  >   학술행사   >   국내학술대회


연사 및 초록 (20일)
윤세영 교수 (한국과학기술원)
Title: ML Basics/Optimization for ML


본 강의에서는 기본적인 기계학습의 개념에 대하여 설명하며 학습을 위한 최적화 방법을 다룬다. 기계학습이란 데이터를 바탕으로 진행되는 학습이며 학습을 위하여 목적함수를 설정하고 최적화 과정을 거쳐야 한다. 이러한 최적화 과정에서 우리가 고려해야 하는 것과 경사 하강법을 시작으로 기본적인 최적화 방법론을 본 강의를 통하여 배우게 된다. 특히 최근 기계학습 발전의 가장 중요한 딥러닝 학습에서 효과적인 최적화 방법이 무엇인지를 조금 더 자세하게 소개할 예정이다. 마지막으로 경사하강법이 불가능한 상황에서 우리가 시도할 방법들을 설명하며 강의를 마무리할 예정이다. 



- KAIST 김재철AI대학원 교수 (2019~)
- KAIST 산업및시스템공학과 교수 (2017~)
- 미국 로스알라모스 국가연구소 박사후연구원 (2016~2017)
- 영국 Microsoft Research 방문연구원 (2015~2016)
- 프랑스 MSR-INRIA joint research center 박사후연구원 (2014~2015)
- 스웨덴 KTH 박사후연구원 (2013~2014)
- KAIST 전기및전자공학 박사 (2012)
- KAIST 전기및전자공학 학사 (2006)  




이상학 교수  (서울대학교)
Title: Causal Inference


An intelligent agent must equip with an ability to utilize available data to make rational decisions that will bring about the desired result. To do this effectively, the agent should be able to infer the effects of its actions, not just estimating associations presented in the given data. Researchers in the field of AI who focus on causality have long examined how to formally represent observations and experiments and how to mathematically derive the consequences of actions. In this tutorial, I will introduce causal inference and other closely related research problems.


Sanghack Lee is an Assistant Professor at the Graduate School of Data Science at Seoul National University. Prior to that, he was an Associate Research Scientist at Columbia University, working with Professor Elias Bareinboim on the intersection of causal inference and AI. Lee received his Ph.D. in Information Sciences and Technology from Pennsylvania State University. His research focuses on developing techniques for unifying data sets from various conditions to answer causal questions, and creating decision-making algorithms that incorporate causal domain knowledge. He was the recipient of a Best Paper Award at the UAI conference in 2019. 



오민환 교수(서울대학교)
Title: Efficient Reinforcement Learning


본 강좌에서는 강화학습 문제의 특성에 대해서 배우고, 최적의 정책(policy)을 학습하는 과정 중에 발생하는 강화학습의 exploration-exploitation tradeoff를 소개하며, 이를 해결하기 위한 효율적인 강화학습 방법론에 대해 소개한다. 



오민환 교수는 Columbia 대학교에서 수학/통계 학사, Operations Research 석사 및 박사 학위를 받았다. 2020년 9월부터 서울대학교 데이터사이언스대학원에 재직 중이며, 강화학습, 밴딧 알고리즘, 및 통계적 기계학습 분야의 연구를 수행하고 있다.