| 시간 | 주 제 | 발표자 |
| 8월 23일 (수) |
| 09:30-12:30 | 강연 1 | SW Lecture Note Series 1 : Machine Learning | 석준희 (고려대) |
| 요약: 본 강좌에서는 파이썬 기반 기계학습 프로그래밍에 주로 사용되는 sklearn 라이브러리를 중심으로, 데이터 전처리, 회귀/분류 모델의 학습, 파라메터 튜닝에 대한 프로그래밍 기법을 소개한다. 실제적 활용도를 높이기 위해 다양한 데이터에 대한 구조화된 코드를 중심으로 강의한다. |
| 12:30-14:00 | 중식 |
| 14:00-16:00 | 강연 2 | SW Lecture Note Series 2 : ETRI 예지형 시각지능 기술 | 문진영 (ETRI/UST) |
| 요약: 입력 영상에서 현재 상황을 이해하고, 미래 상황을 예측하는 예지형 시각지능 기술에서 기본은 단일 객체 또는 객체 간의 상호작용에 의해 발생하는 현재 행동의 탐지 및 미래 행동의 예측 기술이다. 본 강좌에서는 무편집 비디오에서 부분적으로 관찰된 비디오 세그먼트를 입력으로 현재 행동을 식별하는 온라인 행동 탐지 기술과, 관찰 구간 이후의 미래 행동을 예측하는 행동 예측 기술의 연구 동향을 살펴보고, 활용을 위해 오픈 소스 코드를 중심으로 실습을 병행한다. |
| 8월 24일 (목) |
| 09:30-12:30 | 강연 3 | SW Lecture Note Series 3 : Artificial Intelligent | 이재구 (국민대) |
| 요약: 본 강좌에서는 pytorch 기반의 기초 신경망 구현 기술들을 살펴보고, 실습을 병행한다. 또한, 최신 인공지능 핵심인 심층학습과 깊은 신경망을 설명하고 PyTorch 기반의 간단한 실습도 병행한다 |
| 12:30-14:00 | 중식 |
| 14:00-16:00 | 강연 3 (계속) | SW Lecture Note Series 3 : Artificial Intelligent | 이재구 (국민대) |
| 요약: 선행학습한 심층학습 기초 역량을 computer vision 응용 분야의 CNN 모델과 더불어 시계열, NLP 등의 순차적 데이터 처리에 특화된 RNN 모델로 확장하여 이해를 돕고, 관련 실습하면서 이해를 돕고자 한다. 또한, 심층학습을 통해 응용 확장될 수 있는 객체인식 등 실용적인 인공지능 기술도 함께 살펴보고자 한다. |
| 16:00-17:00 | 강연 4 | SW Lecture Note Series 4 : ETRI 자율성장 인공지능 기술 | 김현우 (ETRI) |
| 요약: 본 강좌에서는 ETRI에서 수행 중인 “자율성장 휴먼증강 인지컴퓨팅 기술 개발”과제에서 개발한 뉴럴 기억모델에 기반하여 사람과의 상호작용과 에이전트 간 협업을 통해 스스로 문제해결 방법을 터득하여 지식을 연속적으로 성장시키는 자율성장 에이전트의 기본적인 형상을 소개한다. |
| 8월 25일 (금) |
| 09:30-12:30 | 강연 5 | SW Lecture Note Series 5 : 어텐션 모델과 심층강화학습을 활용한 조합 최적화 입문 | 한연희 (한국기술교육대) |
| 요약: 본 강의에서는 제한된 유무선 통신 네트워크 자원 활용을 최적화하기 위하여, 심층강화 학습 알고리즘인 DQN(Deep Q-Network)을 활용하는 방법을 소개한다. 먼저 Multi-Dimensional 0-1 Knapsack Problem이라는 조합 최적화의 쉬운 입문용 문제를 정의한다. 이러한 조합 최적화 문제에 대해 우선 Google OR-Tools을 사용하여 해당 문제의 정확한 해(Exact Solution)를 구하는 방법을 소개한다. 그 다음, DQN의 원리를 간단히 설명하고 PyTorch로 작성된 간단한 DQN 코드 예시와 함께 DQN으로 주어진 조합 최적화 문제의 근사 해(Approximate Solution)를 구하는 방법을 소개한다. 특히, 훈련된 모델을 다양한 Knapsack 개수에 관계없이 활용할 수 있도록 일반화(Generalization) 성능을 높이기 위하여 어텐션 모델(Attention Model)을 활용한 DQN 강화학습 방법을 설명한다. 이후, 주어진 다양한 Multi-Dimensional 0-1 Knapsack Problem에 대해 DQN의 성능 지표를 Google OR-Tools의 성능 지표와 비교하는 방법을 제시한다. |
| 12:30-14:00 | 중식 |
| 14:00-16:00 | 강연 6 | SW Lecture Note Series 6 : 모델 경량화 | 김장호 (국민대) |
| 요약: 딥러닝이 발전하면서 자연스럽게 딥러닝에 사용되는 파라미터도 증가하고 있다. 이 문제를 해결하기위해서 다양한 모델 경량화 방법이 개발 및 연구되고 있다. 본 강좌에서는 대표적인 모델 경량화 방법인 지식증류 기법과 가지치기 방법에 대해서 알아보고 Pytorch를 활용하여 실습을 해본다. |
