세부분야 | 과목명 | 과목설명 | |
---|---|---|---|
기초 | 인공지능 기초 | 인공지능 프로그래밍 | 파이썬과 같은 프로그래밍 언어를 활용하여 기초부터 최신 인공지능 및 딥러닝 모델을 구현하는 방법을 학습하여 실제 AI 문제에 적용함. |
기계학습 | 기계학습의 기초 원리와 알고리즘을 이해하기 위해 필요한 수학적 개념과 이론을 학습하여 여러 핵심 과목에 기반이 됨. | ||
딥러닝 개론과 응용 | 딥러닝의 기본 개념과 구조를 학습하여 다양한 딥러닝 모델을 코딩으로 구현하고 실제 데이터에 응용하는 방법을 배움. | ||
핵심 | 자연어처리 및 거대언어모델 | 자연어처리 개론 | 자연어 처리 작업에 적합한 기법을 집중적으로 학습하고 이를 통해 자연어처리 분야에서 발생하는 다양한 문제점을 해결하는 방법을 배움. |
딥러닝을 활용한 자연어처리 | 딥러닝 기법을 사용하여 자연어 이해, 문서 분류, 번역 등 다양한 자연어 처리 문제를 해결하는 방법을 학습함. | ||
초거대언어모델의 이해와 응용 | GPT와 같은 초거대 언어 모델의 구조와 작동 원리를 이해하고, 이를 활용한 자연어 처리(NLP) 문제 해결, 텍스트 생성, 대화형 AI 등 다양한 실전 응용 사례를 다룸. | ||
컴퓨터비전 및 생성모델 | 컴퓨터비전 | 이미지 및 비디오 처리, 객체 인식, 딥러닝 기반 시각 모델링 등 기초부터 심화된 컴퓨터비전 주제를 다룸. | |
비전 생성모델 및 응용 | GAN, VAE, Diffusion 모델 등 이미지 생성, 변환, 복원과 같은 작업에 사용되는 최신 딥러닝 기반 생성모델의 이론과 응용을 다룸. | ||
3D 컴퓨터비전 | 차원 공간에서의 영상 이해와 분석을 다루며, NeRF(Neural Radiance Fields)와 Gaussian Splatting 같은 최신 3D 재구성 기법을 포함하여 3D 모델링, 객체 추적, 장면 복원 등의 주제를 다룸. | ||
데이터 사이언스 | 데이터사이언스개론 | 데이터 사이언스의 기본 개념을 학습하고 통계분석, 빅데이터 처리에 필요한 내용을 학습함. | |
추천시스템 | 사용자 맞춤형 추천을 위한 고급 알고리즘과 기법을 다루며, 협업 필터링, 콘텐츠 기반 추천, 하이브리드 모델, 딥러닝을 활용한 추천 시스템 설계 및 성능 최적화를 학습함. | ||
데이터마이닝 | 대규모 데이터에서 유용한 패턴을 추출하고 분석하는 데이터마이닝 기술의 최신 알고리즘과 기법을 다루며, 추천 시스템, 이상 탐지, 소셜 네트워크 분석 등 다양한 실전 응용 사례를 학습함. | ||
정보이론 기계학습 | 엔트로피, 상호 정보량, 코딩 이론 등 정보이론의 핵심 원리를 기계학습 모델의 성능 분석 및 최적화에 적용하는 방법을 학습함. | ||
인공지능 모델 경량화 | 딥러닝 모델 경량화 | 딥러닝 모델의 크기와 연산 비용을 줄이기 위한 기법을 다루며, 모델 압축, 프루닝(Pruning), 증류법 (Distillation)등 경량화 방법을 통해 성능 저하 없이 효율적인 딥러닝 모델을 구현하는 기술을 학습함. | |
온디바이스 AI 최적화 | 엣지 디바이스에서의 딥러닝 알고리즘 최적화 방법을 학습하고, 전력 소모와 성능 간의 균형을 맞추기 위한 최적화 기법을 연구. | ||
대용량 모델의 분산학습 최적화 | 대규모 인공지능 모델을 분산 환경에서 효율적으로 학습시키는 방법을 학습하고, 모델 병렬 처리와 데이터 분할 기법을 통해 학습 성능을 향상시키는 기법을 습득함. | ||
심화 | 멀티모달 파운데이션 모델 | 멀티모달 딥러닝 응용 | 텍스트, 이미지, 오디오 등 다양한 형태의 데이터를 동시에 처리하는 멀티모달 딥러닝 기술을 다루며, 이를 활용한 이미지 캡셔닝, 비디오 분석, 음성-시각 인식 등 최신 응용 사례와 알고리즘을 탐구함. |
강화학습과 자연어처리 | 강화학습 알고리즘을 자연어 처리(NLP) 문제에 적용하는 방법을 다루며, 대화형 AI, 텍스트 생성, 요약 및 기계 번역 등에서 강화학습을 활용하여 모델의 성능을 최적화하는 기술과 응용 사례를 학습함. | ||
자연어 처리와 RAG 기반 기계 학습 | 이 과목은 자연어 처리에서 RAG(Retrieval-Augmented Generation)를 중점적으로 다루며, 기계 학습 모델 성능을 향상시키는 방법을 탐구함. 학생들은 RAG의 원리와 실제 NLP 문제 적용 방법을 학습함. | ||
컴퓨터비전 및 생성모델 | 최신 컴퓨터 비전 기법과 응용 | 이 과목은 최신 컴퓨터 비전 기술을 다루며, 3D 아바타 생성, 심도 추정, 트래젝토리 예측, 3D 인간 디지털화, Neural Radiance Fields 등의 주제를 탐구함. 주요 학회 논문을 바탕으로 고급 비전 기법을 학습하고, 실습 프로젝트를 통해 실제 데이터를 적용하여 기술을 심화함. | |
딥러닝을 활용한 의료영상분석 | 딥러닝 기술을 활용하여 의료 영상 데이터를 분석하고 처리하는 방법을 학습하며, 질병 진단, 병변 탐지, 영상 분할 등 의료 분야에서의 딥러닝 모델의 응용과 실제 사례를 다룸. | ||
강화학습 | 강화학습 및 응용 | 마르코프 의사결정 과정(MDP), 정책 최적화, 가치 함수 학습, 딥러닝을 접목한 심층 강화학습 등의 개념과 알고리즘을 다룸. | |
로봇을 위한 심층강화학습 | 심층 강화학습 알고리즘을 로봇 제어와 자율 행동에 적용하는 방법을 다루며, 로봇의 환경 탐색, 경로 계획, 물체 조작 등의 과제를 학습하고, 실제 로봇 시스템에 심층 강화학습을 적용함. | ||
세미나 및 프로젝트 | 세미나 및 프로젝트 | 첨단 컴퓨팅 세미나 | 국내외 인공지능 분야의 다양한 전문가를 초빙하여 최신 연구 동향과 실제 응용 사례를 학습. |
인공지능 컴퓨팅 팀 프로젝트 | 다양한 주제에 대한 팀 프로젝트를 진행함. 이를 통해 여러 산업 및 분야에 적용 가능한 어플리케이션을 개발하거나, 심도 있는 학술적 연구를 수행할 수 있는 기회를 제공. |