Professor

CHOI JAEBOONG

Learning Period

12-27-2023 ~ 12-27-2028

Course Introduction

인류의 문명을 바꾸고 있는 디지털 트랜스포메이션에 대한 이해와 신문명이 요구하는 인재가 되기 위해 필요한 기본적 자세에 대해 데이터를 기반으로 학습한다.

Professor

BAK JIN YEONG

Learning Period

12-27-2023 ~ 12-27-2028

Course Introduction

실제 인공지능과 데이터분석에서 자주 사용되는 몇 가지 기법에 적용된 고급 수학 이론을 이해하고 활용한다.

Professor

BAK JIN YEONG

Learning Period

12-27-2023 ~ 12-27-2028

Course Introduction

파이썬 기반의 오픈소스 머신러닝 라이브러리인 텐서플로우 (Tensorflow)와 케라스 (Keras)를 활용하여 인공지능과 데이터 분석에서 자주 사용되는 데이터 활용 기법 및 알고리즘을 구글 코랩 (Google Colab)환경에서 실습한다.

Professor

LEE SANGGU

Learning Period

12-26-2023 ~ 12-26-2026

Course Introduction

본 강좌를 통해 인공지능을 이해하는데 필요한 수학(기초) 및 기본 알고리즘을 자세히 학습하고 코드를 활용하여 실습해본다.

Professor

LEE SANGGU

Learning Period

12-26-2023 ~ 12-31-2026

Course Introduction

본 강좌를 통해 고등학생과 일반인들이 인공지능을 이해하는데 필요한 수학(입문)의 내용을 학습하고 코드를 활용하여 실습해본다.

Professor

HEO JAE-PIL

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

본 강의의 목적은 인공지능 학습을 위해 필수적으로 선행되어야 하는 자료구조 및 알고리즘 주제에 대해 다루며, 핵심 목표로는 다양한 자료구조와 주요 알고리즘의 이론적 이해 및 복잡도 분석과 코드 구현 능력 향상, 그리고 컴퓨팅 사고력 배양이다.   교수소개 - 허재필 성균관대학교 소프트웨어학과 교수   강좌 일정 문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

LEE SANGGU

Learning Period

11-01-2022 ~ 07-02-2027

Course Introduction

본 강좌는 인공지능이 어떤 수학적 원리로 작동하는지를 이해하는데 필요한 기본적인 수학 내용을, 고등학교 1학년 정도의 수학 지식을 갖춘 일반인이라면 누구라도 쉽게 학습하고, 이해한 후, 실습할 수 있도록 한다. 또한 Math & Coding 접근으로 <인공지능에 필요한 개념과 용어 및 기초수학 지식 및 실습 경험>을 제공한다.   교수소개 - 이상구 성균관대학교 수학과 교수   강의 일정 문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

LEE JI HYUNG

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

본 강의는 목적은 다양한 고급기계학습 기법의 수학적 배경을 이해하고, 각 방법의 장점과 단점을 이해하여 주어진 상황에 적합한 기법을 선택하여 문제를 효율적이고 효과적으로 해결할 수 있다.   교수소개 - 이지형 성균관대학교 정보통신대학 소프트웨어학과 교수   강좌일정 - 총 14주차로 구성 문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

LEE JI HYUNG

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

스마트카에서 생성되는 다양한 정보가 생산되며 이를 기반으로 스마트카의 다양한 기능이 수행된다. 본 강좌에서는 스마트카에서 생성되는 정보를 지능적으로 처리하기 위한 다양한 기계학 기법을 학습한다. 기계학습의 기본 개념과 모델 평가 기법을 포함하여 다양한 분류 기법과 추천기법 등을 학습한다.   교수소개 - 이지형 성균관대학교 정보통신대학 소프트웨어학과 교수   강좌일정 구성: 총 10주차 (주당 03시간 00분)   문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

HWANG SUNGHO

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

본 강좌에서는 스마트카 제어시스템에 대한 개요와 함께 개략적인 내용에 대해 다룹니다. 학습자들은 스마트카 또는 자율주행차의 핵심기술 개요에 대해 학습합니다. 자율주행 제어에 필요한 인지, 판단, 제어에 대해 기본적인 개념과 필요기술에 대해 학습한 후, 차량의 종방향 및 횡방향 동역학 방정식을 유도해 보고, 이를 이용하여 제어시스템의 특성에 대해 알아봅니다. 대표적인 종방향 제어 시스템인 표준 및 적응형 크루즈 제어에 대해 학습하고, 횡방향 조향제어 시스템의 제어 특성에 대해서도 다루어 봅니다. 마지막으로 가상환경에서 제어시스템 성능을 검증할 수 있는 가상주행 시뮬레이터와 차량 시뮬레이션 기술 개요에 대해 살펴봅니다.This lecture covers the introduction and overview of control systems for smart cars. Learners will learn about key technologies for smart cars or autonomous vehicles. This course introduces basic concepts and demand technologies of perception, decision and control required for autonomous driving control. Then, the longitudinal and lateral dynamics equations of a vehicle are derived, and the characteristics of the control system are analyzed using these equations. The standard and adaptive cruise controls, which are the typical longitudinal control systems, are studied, and control characteristics of the lateral steering control system are also discussed. At the end, this lecture will introduce virtual driving simulators and vehicle simulation technology that can verify the control system performances in virtual environments.   교수소개 - 황성호 성균관대학교 공과대학 기계공학부 교수   강좌일정 구성: 총 10주차 × 주차당 각 2차시 (주당 02시간 00분)   문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

JEONG JAE HOON

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

지능형 자동차 및 교통제어시스템을 통한 무인자동차 기반 자율주행 시대가 열리고 있습니다. 이러한 자율주행 시스템을 지원할 지능형 자동차와 교통제어시스템은 차량 네트워크에서 유무선 통신으로 연결되어 있습니다. 이러한 차량 네트워크에서 시스템 요소들이 유기적으로 연결되어 있는 것을 차량 사물인터넷이라고 합니다. 본 강좌에서는 이러한 차량 사물인터넷에서 핵심인 차량용 외부 통신시스템을 위한 네트워킹, 응용 서비스 및 보안 서비스 기술을 소개합니다.   교수소개 - 정재훈 성균관대학교 소프트웨어학과 교수   강좌일정 구성: 총 10주차 × 주차당 각 2차시 (주당 02시간 00분)   문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

JEON JAE WOOK

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

차량의 전자화 기술은 지속적으로 차량에 확대 적용되어 현재 고급 차량에서는 100여개 이상의 전자제어장치(Electronic Control Unit)가 있으며 향후 자율주행자동차에서 더욱 많은 전자제어장치가 추가될 것으로 예상됩니다. 차량의 안전성과 함께 편의성을 향상시키기 위해서 여러 전자제어장치 간에 효율적으로 정보를 공유하여야 합니다. 본 강좌에서는 대표적인 차량용 네트워크 CAN 및 CAN-FD 네트워크 기술을 소개하고자 합니다.이 강좌를 통하여 차량용 네트워크 필요성, 현재 차량용 네트워크로 가장 많이 사용되고 있는 CAN 네트워크 및 CAN 네트워크를 고속 형태로 변환한 CAN-FD 네트워크에 관해 이해하게 될 것 입니다. 따라서 이 강좌를 수강한 후에 차량용 CAN 및 CAN-FD 네트워크를 설계할 수 있게 되고, 실제 CAN 및 CAN-FD네트워크에서 error 발생 시 error 원인을 분석하여 제거할 수 있습니다. 또한 CAN 및 CAN-FD 통신을 수행할 수 있는 차량용 전자제어장치를 설계하는 데 도움이 될 것 입니다.   교수소개 - 전재욱 성균관대학교 반도체시스템공학과 교수   강좌일정 구성: 총 12강   문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

AHN SEONG JIN

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

모든 사물이 연결되는 IoT시대에 네트워크를 통한 정보의 유통이 강화되고 있다. 특히 디지털경제시대로 접어들면서 사람이나 사물이 발생시킨 데이터가 축적되고 이는 LAN이나 인터넷을 통해서 원격지의 기기로 이동한다. 데이터가 이동하면서 나타나는 기술적 문제들을 인식하고 그 원리를 이해함으로써 좀 더 깊이 있는 전공분야 확대가 가능하다. 이를 위해 비전공자가 알아야할 컴퓨터 네트워크의 기술적 요소들을 선택하여 수준에 맞춰 설명한다.   교수소개 - 안성진 성균관대학교 컴퓨터교육과 교수   강좌일정 구성: 총 10주차 × 주차당 각 2차시 (차시당 15~20분)   문의: 성균관대학교 교무처 교육개발선터 (Center for Teaching & Learning)

Professor

LEE JONG WUK

Learning Period

11-10-2022 ~ 11-10-2032

Course Introduction

배울 내용 ✔ 머신러닝 이론의 발전, 여러 이론에 대한 이해를 종합적으로 학습할 수 있습니다.✔ 개인적으로 학습해서는 얻을 수 없는 머신러닝 Insight를 얻을 수 있습니다✔ 다양한 사례를 활용하여 쉽게 접근하는 머신러닝 학습을 통해 실습과제를 모델링 할 수 있습니다.✔ 머신러닝 part1에서 이어지는 기계학습의 여러 개념에 대해 개괄적으로 학습할 수 있습니다   요구 사항 머신러닝 학습 입문자로 기계 학습 기반 지식이 필요한 분으로 크게 사전지식이 필요하지 않으며, 머신러닝part 1을 듣고 수강하는 것을 추천합니다.   설명 본 과정은 성균관대 소프트웨어학과 대학원 수준에서 수강할 수 있는 고급 AI 과정으로 데이터에서 스스로 숨겨진 패턴을 효과적으로 찾아내는 다양한 기계학습 기법들의 기초개념과 학습과정을 파악하는 강의입니다. 기계학습이란 명시적인 규칙 또는 프로그래밍 없이 주어진 데이터를 통해 컴퓨터 스스로 학습할 수 있는 프로그램이라고 정의할 수 있습니다. 사람이 태어나서 어떤 행동이 올바른지 축적된 경험을 통해 스스로 터득해 나가는 과정을 컴퓨터가 흉내내는 것이 기계학습과 비슷하다고 할 수 있겠습니다. 자율주행도 이와 비슷합니다. 명시적 규칙을 알려주지 않고, 다양한 상황을 연출한 데이터를 통해 컴퓨터 스스로 상황을 인지하고 안전한 운행을 위해서 규칙을 찾아내는 과정이 기계학습의 또다른 사례입니다. 본 강좌에서는 이처럼 주어진 과제를 수행하기 위해 데이터에서 스스로 숨겨진 패턴을 효과적으로 찾아내는 다양한 기계학습 기법들의 기초 개념과 학습과정에 대해 배워보도록 하겠습니다. 머신러닝 패키지 part 1에 이어서 Multilayer Perceptron, Learning Linear SVM, Classification and Regression Tree (CART) 등 머신러닝의 주요 이론들에 대해 살펴보게 됩니다. 보다 폭 넓은 이해를 위해 머신러닝 part1을 수강하고 오는 것을 추천합니다. 본 과정 수료 후에 추가적인 교육(실습 및 캡스톤 프로젝트 수행) 이수를 통해서 인공지능부문 전문가로 성장할 수 있습니다. (성균관대의 인공지능분야 Micro Degree 연계)   이 강의의 대상 인공지능대학원의 체계적인 커리큘럼에 따른 머신러닝 강의로 AI 기반지식을 다지고 싶은 분   ※ 본 강좌는 유료강좌지만 성균관대학교 재학생에 한하여 무료로 제공하고 있습니다.    (재학생 수강문의: skkux@skku.edu)  

Professor

LEE JONG WUK

Learning Period

11-10-2022 ~ 11-10-2032

Course Introduction

배울 내용 ✔ 머신러닝 이론의 발전, 여러 이론에 대한 이해를 종합적으로 학습할 수 있습니다.✔ 개인적으로 학습해서는 얻을 수 없는 머신러닝 Insight를 얻을 수 있습니다✔ 다양한 사례를 활용하여 쉽게 접근하는 머신러닝 학습을 통해 실습과제를 모델링 할 수 있습니다.✔ 머신러닝의 여러 개념에 대해 개괄적으로 학습할 수 있습니다.   요구 사항 머신러닝 학습 입문자로 기계 학습 기반 지식이 필요한 분으로 크게 사전지식이 필요하지 않습니다.   설명본 과정은 성균관대 소프트웨어학과 대학원 수준에서 수강할 수 있는 고급 AI 과정으로 데이터에서 스스로 숨겨진 패턴을 효과적으로 찾아내는 다양한 기계학습 기법들의 기초개념과 학습과정을 파악하는 강의입니다. 기계학습이란 명시적인 규칙 또는 프로그래밍 없이 주어진 데이터를 통해 컴퓨터 스스로 학습할 수 있는 프로그램이라고 정의할 수 있습니다. 사람이 태어나서 어떤 행동이 올바른지 축적된 경험을 통해 스스로 터득해 나가는 과정을 컴퓨터가 흉내내는 것이 기계학습과 비슷하다고 할 수 있겠습니다. 자율주행도 이와 비슷합니다. 명시적 규칙을 알려주지 않고, 다양한 상황을 연출한 데이터를 통해 컴퓨터 스스로 상황을 인지하고 안전한 운행을 위해서 규칙을 찾아내는 과정이 기계학습의 또다른 사례입니다. 본 강좌에서는 이처럼 주어진 과제를 수행하기 위해 데이터에서 스스로 숨겨진 패턴을 효과적으로 찾아내는 다양한 기계학습 기법들의 기초 개념과 학습과정에 대해 배워보도록 하겠습니다. 본 과정 수료 후에 추가적인 교육(실습 및 캡스톤 프로젝트 수행) 이수를 통해서 인공지능부문 전문가로 성장할 수 있습니다. (성균관대의 인공지능분야 Micro Degree 연계)   이 강의의 대상 인공지능대학원의 체계적인 커리큘럼에 따른 머신러닝 강의로 AI 기반지식을 다지고 싶은 분   ※ 본 강좌는 유료강좌지만 성균관대학교 재학생에 한하여 무료로 제공하고 있습니다.    (재학생 수강문의: skkux@skku.edu)  

Professor

LEE JI HYUNG

Learning Period

11-10-2022 ~ 11-10-2032

Course Introduction

배울 내용 ✔ 딥러닝 이론의 발전, 여러 이론에 대한 이해를 종합적으로 학습할 수 있습니다.✔ 실질적 알고리즘, 최신 논문을 학습을 통해 실제 라이브러리 구현을 할 수 있습니다.✔ 빅데이터 분석에 필요한 최신 딥러닝 트렌드를 이해하고 이를 활용할 수 있습니다.✔ 딥러닝의 여러 개념에 대해 개괄적으로 학습할 수 있습니다  요구 사항 인공지능에 입문하는 학습자로 뉴럴넷에 대한 기초, 딥러닝 기반 지식 등이 필요한 분 (별도의 선수학습 지식/요건이 없어도 수강 가능합니다.)   설명정보통신부 선정 국책대학원인 성균관대 인공지능대학원 AI 교육과정의 핵심을 정리한 교육과정으로 단기간 내에 체계적이고 효과적인 지식 습득이 가능합니다. IT, 제조 등 다양한 산업부문의 대기업 직무능력 개발교육으로 활용되면서 현장 중심 콘텐츠로 최적화되어 있습니다. 현업에서 개발자로 근무하고 있지만 각 알고리즘의 특성과 이론의 배경을 모르고 있어 현업 적용에 한계가 있는 학습자, 인공지능대학원의 체계적인 커리큘럼에 따른 딥러닝 강의로 AI 기반지식을 다지고 싶은 분들에게 추천합니다. 또한 본 과정 수료 후에 추가적인 교육(실습 및 캡스톤 프로젝트 수행) 이수를 통해서 인공지능부문 전문가로 성장할 수 있습니다. (성균관대의 인공지능분야 Micro Degree 연계 가능) * 오프라인 실습은 이론수업(머신러닝, 딥러닝) 수강을 마친 학습자들을 대상으로 운영되며, 2주-3주 간의 AI프로젝트를 통해 직접 모델을 설계하고 성능을 시험하는 캡스톤 프로젝트 과정을 수행할 수 있습니다. 프로젝트 기간 중에는 석박사 조교들의 지원이 제공될 예정입니다.   이 강의의 대상 프로그래밍을 위한 기본 이론을 학습하고 싶으나 체계적이고 정제된 커리큘럼과 교육과정을 찾기가 어렵다.현업에서 개발자로 근무하고 있지만 각 알고리즘의 특성과 이론의 배경을 모르고 있어 현업 적용에 한계가 있다.   ※ 본 강좌는 유료강좌지만 성균관대학교 재학생에 한하여 무료로 제공하고 있습니다.    (재학생 수강문의: skkux@skku.edu)

Professor

LEE JI HYUNG

Learning Period

11-10-2022 ~ 11-10-2032

Course Introduction

배울 내용 ✔ 딥러닝 이론의 발전, 여러 이론에 대한 이해를 종합적으로 학습할 수 있습니다.✔ 실질적 알고리즘, 최신 논문을 학습을 통해 실제 라이브러리 구현을 할 수 있습니다.✔ 빅데이터 분석에 필요한 최신 딥러닝 트렌드를 이해하고 이를 활용할 수 있습니다.✔ 딥러닝의 여러 개념에 대해 개괄적으로 학습할 수 있습니다  요구 사항 딥러닝 1에서 이어지는 뉴럴넷과 딥러닝 기반지식 내용으로, 딥러닝 level1 강의를 수강하거나 혹은 관련 지식이 있는 학습자   설명 딥러닝 part1 강의를 듣고 딥러닝의 주요 개념을 확장하여 학습하고 싶은 학습자를 위한 강의로 본 과정 수료 후에 추가적인 교육*(실습 및 캡스톤 프로젝트 수행) 이수를 통해서 인공지능부문 전문가로 성장할 수 있습니다. 딥러닝 이론의 발전, 여러 이론에 대한 이해를 종합적으로 학습할 수 있으며 Gradient Vanishing, Dropout, Convolution and Pooling, CNN 기본 등에 대해 다루게 됩니다. 특히 본 강의는 정보통신부 선정 국책대학원인 성균관대 인공지능대학원 AI 교육과정의 핵심을 정리한 교육과정으로 단기간 내에 대학원 수준의 체계적이고 효과적인 지식 습득이 가능합니다. 또한 본 과정 수료 후에 추가적인 교육(실습 및 캡스톤 프로젝트 수행) 이수를 통해서 인공지능부문 전문가로 성장할 수 있습니다. (성균관대의 인공지능분야 Micro Degree 연계 가능) * 오프라인 실습은 이론수업(머신러닝, 딥러닝) 수강을 마친 학습자들을 대상으로 운영되며, 2주-3주 간의 AI프로젝트를 통해 직접 모델을 설계하고 성능을 시험하는 캡스톤 프로젝트 과정을 수행할 수 있습니다. 프로젝트 기간 중에는 석박사 조교들의 지원이 제공될 예정입니다.   이 강의의 대상 프로그래밍을 위한 기본 이론을 학습하고 싶으나 체계적이고 정제된 커리큘럼과 교육과정을 찾기가 어렵다.현업에서 개발자로 근무하고 있지만 각 알고리즘의 특성과 이론의 배경을 모르고 있어 현업 적용에 한계가 있다.   ※ 본 강좌는 유료강좌지만 성균관대학교 재학생에 한하여 무료로 제공하고 있습니다.    (재학생 수강문의: skkux@skku.edu)

Professor

Kim Jae-Kwang

Learning Period

11-01-2022 ~ 03-05-2031

Course Introduction

In Course 3 of the Machine Learning for Recommender Systems Specialization, offered by Sungkyunkwan Univ., you will: a) understand the data preprocessing of the raw data for recommender systems.b) apply the recommender systems (content based filtering and collaborative filtering).measure the performance of the methods for the recommender systems such as mAP, nDCG, and ED.understand the basic concepts of machine learning.c) understand a typical memory-based method, the K nearest neighbor method.   - 김재광 성균관대학교 소프트웨어학과 교수      주 (Week) 학습 내용 (Contents)          Week 1    Introduction to Recommender Systems          Week 2    Collaborative Filtering          Week 3    Recommender System with Deep Learning          Week 4    Further Understanding of Recommeder Systems   문의: 성균관대학교 교무처 교육개발센터 (Center for Teaching & Learning)

Professor

Kim Jae-Kwang

Learning Period

11-01-2022 ~ 03-01-2028

Course Introduction

In this course you will: a) understand the naïve Bayesian algorithm.b) understand the Support Vector Machine algorithm.c) understand the Decision Tree algorithm.d) understand the Clustering.Please make sure that you’re comfortable programming in Python and have a basic knowledge of mathematics including matrix multiplications, and conditional probability.   - 김재광 성균관대학교 소프트웨어학과 교수    주 (Week) 학습 내용 (Contents)             Week 1    Naïve Bayes             Week 2    Support Vector Machine             Week 3    Decision Tree             Week 4    Clustering   문의: 성균관대학교 교무처 교육개발센터 (Center for Teaching & Learning)

Professor

Kim Jae-Kwang

Learning Period

11-01-2022 ~ 03-01-2027

Course Introduction

In this course, you will: a) understand the basic concepts of machine learning.b) understand a typical memory-based method, the K nearest neighbor method.c) understand linear regression.d) understand model analysis.Please make sure that you’re comfortable programming in Python and have a basic knowledge of mathematics including matrix multiplications, and conditional probability.   - 김재광 성균관대학교 소프트웨어학과 교수    주 (Week) 학습 내용 (Contents)          Week 1    The basic concepts of machine learning          Week 2    The k-Nearest Neighbors          Week 3    Linear Regression          Week 4    Logistic Regression   문의: 성균관대학교 교무처 교육개발센터 (Center for Teaching & Learning)