@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
Weekly Plan ====================================
* 교과목 개요; 인공지능이 작동하는 원리와 개념을 이해하기 위한 인공지능 기초과목이다.
인공지능 교육에는 다양한 측면이 있으나 본 과목에서는 인공지능의 핵심분야에 대한 메카니즘을
개념적으로 이해하는데 주력한다.
* 수강대상; 2021년 2학기 AI전공 교육대학원생
* 교육목표; 인공지능 분야에 대한 폭 넓은 이해와 아울러 인공지능의 동작원리를 이해함으로써
인공지능적 문제해결력의 기초역량을 기르고 타 분야와의 융합적 접근(AI융합)을 모색한다.
* Weekly;
<1> 학습목표; AI의 개요, 유래, 발전; 인공지능 알고리즘의 특징을 이해한다.
수업내용; 역사적 성취; Alan Turing과 튜링 테스트,
John McCarthy, ELIZA, Perceptron,
Mulilayer perceptron, Backpropagation,
Deep Learning, ANN, IBM Watson, AlphaGo, 등의 역사적 의미.
<2> 학습목표; 외판원문제(TSP)로 이해하는 휴리스틱의 개념;
인공지능 알고리즘과 기존 알고리즘의 차이를 이해한다.
Optimal 솔루션과 suboptimal 솔루션의 차이를 이해한다.
exact 솔루션과 approximation을 구분 할 수 있다.
휴리스틱 알고리즘의 필요성을 이해한다.
수업내용; TSP, combinatorial explosion,
optimal solution vs. suboptimal solution.
exact algorithm vs. heuristic
<3> 학습목표; 선형회귀법(Linear Regression) 기반의 예측 ;
데이터로부터의 예측이 가능한 이론적 근거를 이해한다.
상관관계의 의미를 이해한다.
SSE(Sum of Squares of Errors)의 의미를 이해한다.
선형회귀의 의미를 알고 선형회귀 알고리즘을 데이터에 적용하여 결과를
산출하고 해석할 수 있다.
수업내용; 상관계수의 의미, SSE의 의미와 선형회귀 알고리즘에서
활용되는 메카니즘의 이해, 선형회귀의 뜻과 활용, 예측과 분석.
<4> 학습목표; 베이지언(Bayesian) 확률 기반의분류(Classification)/예측
문제;
데이터에대한 확률과 조건부 확률(conditional probability)을 계산할 수 있다.
Kolomogrove axiom을 이해하고 데이터에 적용할 수 있다.
Bayes rule 알고리즘의 적용 결과를 분석하고 판단 할 수 있다.
유사한 문제를 Bayes rule로 풀 수 있는 응용력을 기른다.
수업내용; ①조건부 확률, ②Kolomogrove axiom, Bayes rule
알고리즘의 적용 결과의 분석과 판단(또는 분류).
<5> 학습목표; 결정목(Decision Tree;DT)과 랜덤 포리스트( Random Forest;RF)를
이용한 결정, 분류, 식별 문제;
주어진 데이터와 결정 대상을 결정목으로 표현할 수 있다.
결정목들의 집합인 랜덤 포리스트의 형성 과정을 설명할 수 있다.
랜덤 포리스트로부터 결론을 도출할 수 있다. 'Bagging'의 의미를 이해한다.
결정목과 랜덤 포리스트의 성능 요인을 분석할 수 있다.
수업내용; 데이터로 부터 결정목의 표현, 결정목으로부터 랜덤 포리스트 구축,
bagging의 과정, 랜덤 포리스트로 부터 결론 도출, 성능 요인 분석.
<6> 학습목표; K-평균 클러스터링(K Means Clustering;KMC),
K-최근접 이웃(K Nearest Neighbor;KNN) 기반의 군집화 문제 ;
데이터로부터 군집화의 필요성을 서술 할 수 있다.
두 알고리즘의 전제조건을 이해하고 문제의 목적에 따라 KMC와 KNN 알고리즘을
적용할 수 있다. 결과를 해석하고 의미를 설명할 수 있다.
수업내용; 군집화(grouping, clustering), KMC 알고리즘, KNN 알고리즘, 결과 분석.
<7> 학습목표; Q-러닝(Q-Learning);
기계학습의 한 유형인 강화학습(reinforcement learning)의 의미를 이해한다.
Q-러닝이 강화학습에 속하는 이유를 설명할 수 있다. 문제에서 강화학습적 요소를
발견할 수 있다.
강화학습의 수학적 모델인 MDP(Markov decision process)를 사용하여 문제를 분석할 수있다.
강화학습문제에서 Q테이블의 역할을 이해하고 활용할 수 있다.
Bellman(벨만)함수를 이해하고 문제에 적용할 수 있다. Exploration과 exploitation을 이해하고
gamma값의 조정에 활용할 수 있다.
강화학습에서 기계학습이 일어났다는 의미를 서술할 수 있다.
수업내용; 강화학습의 모델, MDP(Markov Decision Process), Q테이블,
벨만 함수와 gamma값.
<8> 학습목표; 인공신경망(Artificial Neural Networks), 펴셉트론(Perceptron);
초기 인공신경망의 유래와 특징을 이해한다.
퍼셉트론의 구조와 동작원리를 이해한다.
퍼셉트론으로 논리연산(And, Or, Not, NAND)을 할 수 있다.
단층 퍼셉트론으로 XOR의 구현이 불가능함을 이해한다.
퍼셉트론의 활성함수(activation function)의 작동을 이해한다.
퍼셉트론으로 바이너리 분류가 가능함을 이해한다.
퍼셉트론으로 가능한 분류의 예를 제시할 수 있다.
수업내용; 인공신경망, 퍼셉트론, 활성함수, 논리연산, 바이너리 분류, 학습률.
<9> 학습목표; 다층 퍼셉트론(Multi-Layer Perceptron;MLP);
MLP의 필요성을 이해한다.
MLP와 단층 퍼셉트론의 차이를 말 할 수 있다.
MLP에서 가중치와 바이어스를 Sigmoid 함수에 적용할 수 있다.
Sigmoid 함수와 tanh(hyperbolic tangent) 함수의 패턴과 활용을 이해한다.
XOR(exclusive-OR) 문제를 해결하는 MLP의 가중치와 바이어스를 발견할 수 있다.
수업내용; Sigmoid와 tanh 함수, 다층 퍼셉트론 모델, XOR 논리연산,
MLP의 가중치(weights)와 바이어스.
<10> 학습목표; 합성곱 신경망(Convolutional Neural Network,CNN);
합성곱 신경망(CNN)에서 이미지를 인식하고 구별하는 절차를 이해한다.
합성곱을 이용하여 이미지의 특징을 수치화하고 처리하는 과정을 학습한다.
특성값들로부터 대표값을 추출하는 풀링(pooling) 방법을 이해한다.
Fully connected layer를 구성하고 그로부터 의미있는 결과를 도출한다.
CNN의 성능에 영향을 주는 요소들을 이해한다.
수업내용; 합성곱, 피처 마트릭스, 풀링, CNN의 레이어, 이미지 인식 방법, 성능 요소.
<11> 학습목표; 역전파(Backpropagation);
ANN(인공신경망)에서 목적값(target values)을 산출하기 위해 오류를 줄여나가는 방법인
역전파 알고리즘의 동작을 이해한다.
적절한 활성함수를 선택하여 계산에 적용할 수 있다.
반복연산의 조건이 되는 오차의 허용범위를 결정할 수 있다.
가중치의 계산을 위한 적합한 학습율(learning rate)을 결정할 수 있다.
연쇄법칙(chain rule)을 사용하여 새로운 가중치를 계산할 수 있다.
수업내용; ANN의 아키텍처와 구성요소의 기능, 파라미터의 초기화,
오류의 계산과 반복조건, 경사하강법(gradient descent), 연쇄법칙을 이용한
가중치의 계산, 역전파의 계산, 성능 개선 방법.
<12> 학습목표; 순환신경망(Recurrent Neural Network,RNN), 딥러닝(Deep Learning);
순환신경망(RNN)의 구조와 동작원리를 이해하고
RNN의 종류에 따른 입력과 출력의 형태를 구분할 수 있다.
LSTM(long short term memory)의 구조와 동작원리를 이해한다.
RNN의 다양한 활용을 이해한다. 딥러닝의 정의와 구조를 이해한다.
수업내용; ①RNN의 구조, 동작원리, 종류, 활용 예 ②LSTM의 구조, 동작원리, 활용 예
③딥러닝의 비지도학습.
<13> 학습목표; 자연어이해(Natural Language Understanding;NLU),
상식추론(Common Sense Reasoning), 비단조추론(Nonmonotonic Reasoning);
자연어 분야의 이슈와 문제해결에 필요한 이론적 원리를 이해한다.
수업내용; 기계번역의 개요(목적,과정,사례), 자연어이해의 요소, 자연어이해의 실패 사례
<14> 학습목표; 상식추론(Common Sense Reasoning),
비단조추론(Nonmonotonic Reasoning);
인공지능의 논리적 근거를 이해하기 위하여 상식추론과 비단조추론 등 인공지능에서
추구하는 논리체계의 개념을 이해한다.
수업내용; 상식추론의 개념과 사례와 난제, 비단조추론의 개념과 사례와 난제,
인공지능 논리체계의 탐색.
<15> 학습목표; 평가와 강평
수업내용; 학기말 시험
Classroll; (교육관 410) 월10,11,12.
구나경 최선희 권정환 권희수 김광우 김다정 김성대 김지연
김창윤 박하진 이준원 정민기 조민교 최지원 허재만 정승욱
//