인공지능개론

1-1

3학점

기초

일반

이론

본 교과목은 인공지능의 전반적인 흐름과 기본 개념을 체계적으로 이해하는 것을 목표로 합니다. 이 과목은 인공지능의 역사적 배경부터 최신 기술 동향에 이르기까지 다양한 주제를 다룹니다. 머신러닝, 딥러닝, 컴퓨터 비전, 자연어 처리 등 인공지능의 주요 기술과 응용 분야를 학습하며, 확률 이론과 강화학습 등 이론적 배경도 함께 탐구합니다. 이 과목은 인공지능 분야에 입문하고자 하는 학생들에게 적합하며, 실질적인 예제와 토론을 통해 인공지능이 사회에 미치는 영향을 이해하고 미래 발전 방향을 전망합니다.

인공지능수학

1-1

3학점

기초

일반

이론

본 교과목은 학생들에게 AI 및 머신러닝 분야에서 필수적인 수학적 개념과 기법을 제공하여 신경망과 같은 복잡한 모델을 이해하고 구축하는 능력을 갖추는 것을 목표로 합니다. 미분과 적분을 통해 함수의 변화량과 최적화 기법을 학습하고, 이를 통해 경사하강법과 같은 최적화 알고리즘을 이해합니다. 선형대수를 통해 데이터를 다차원 공간에서 표현하고, 벡터를 이용하여 데이터를 처리하고 분석하는 방법을 익힙니다. 이러한 수학적 개념과 기법을 활용하여 신경망의 핵심 개념인 오차역전파 알고리즘을 이해하고, 이를 통해 신경망 모델을 효과적으로 학습시키는 방법을 배웁니다. 또한, 파이썬의 numpy와 같은 라이브러리를 활용하여 선형대수 연산을 수행하고, 벡터 연산을 구현하는 실습을 진행합니다. 이를 통해 학생들은 파이썬을 사용하여 데이터를 효율적으로 다루고, 신경망 모델을 구축하는데 필요한 수학적 연산을 실제로 수행할 수 있는 능력을 기를 수 있습니다.

확률과통계

1-2

3학점

기초

일반

이론

본 교과목은 데이터 기반 문제 해결에 필요한 기초적인 수학적 사고를 기르는 과목으로, AI 및 데이터 분석의 기반이 되는 핵심 이론을 다룹니다. 본 강좌에서는 데이터의 생성과 처리 과정을 이해하고, 통계적 모델을 설정하는 방법을 학습합니다. 또한 자료의 정리와 시각적 표현, 통계적 분석 방법, 확률 개념 및 해석, 랜덤 변수의 이해, 추정과 검정 등의 통계적 추론 방법을 다룹니다. 학생들은 이 과목을 통해 실제 데이터를 수집·분석하고, 그 결과를 해석할 수 있는 수리적 사고력과 분석 능력을 갖추게 됩니다. 머신러닝 및 데이터 과학 등의 심화 과목을 이수하기 위한 이론적 기초를 탄탄히 마련하는 데 목적이 있습니다.

AI윤리와철학

1-2

3학점

기초

일반

이론

본 교과목의 목표는 우리 삶에 점점 더 큰 영향을 미치고 있는 인공지능(AI) 기술의 철학적, 윤리적 함축을 심도 있게 탐구하는 것입니다. 강의는 크게 두 부분으로 나누어 진행될 예정입니다. 전반부에서는 AI와 관련된 과학철학, 심리철학적 주제들을 다루며, 튜링 머신, 계산 가능성 등 컴퓨터 과학의 기초 개념들이 이해, 지능, 의식 등과 어떤 관계를 맺고 있는지 논의할 것입니다. 후반부에서는 전반부의 논의를 바탕으로 AI 기술이 제기하는 새로운 윤리적 도전에 초점을 맞출 것입니다. 이 부분에서는 'AI를 도덕적 주체로 간주할 수 있는가?', '설명 가능한 인공지능(XAI)의 조건은 무엇인가?', 'AI는 인류의 존속을 위협하는가?', 'AI는 인간의 노동을 어떻게 변화시킬 것인가?', '알고리즘 편향성을 어떻게 극복할 것인가?' 등의 질문을 중심으로 토론형 수업이 진행될 것입니다.

빅데이터분석기초

1-2

3학점

전공

PC

실습

본 교과목은 현대 사회 및 산업에서 빅데이터의 중요성이 더해짐에 따라 필수적인 역량을 갖추기 위한 핵심 교육과정입니다. 이 과목은 먼저 빅데이터의 개념과 특징, 그리고 빅데이터가 현대 사회와 다양한 산업에 미치는 영향을 탐구합니다. 학생들은 다양한 데이터 소스로부터 데이터를 정제하며, 변환하는 과정을 실습하게 됩니다. 이를 통해 데이터의 품질을 향상시키고 분석에 활용할 수 있는 데이터셋을 구축하는 능력을 기를 수 있습니다. 본 교과목에서는 기본적인 통계학 개념과 데이터 분석 기술을 습득합니다. 이를 통해 데이터를 효과적으로 분석하고 해석하는 능력을 키웁니다. 또한, 주요 데이터 분석 도구 및 프로그래밍 언어를 활용하여 실제 데이터에 대한 분석과기초적인 모델링을 수행하는 경험을 쌓게 됩니다. 데이터 시각화는 데이터를 보다 쉽게 이해하고 해석할 수 있는 중요한 기술로서, 시각화 도구를 사용하여 데이터를 시각적으로 표현하고 해석하는 방법을 배우게 됩니다.

인공지능프로그래밍

1-2

3학점

전공

PC

실습

본 교과목은 머신러닝과 딥러닝을 학습하고 활용하는 데 필수적인 Python 프로그래밍의 전반적인 지식을 제공하는 기초 입문 과목입니다. 본 강좌는 인공지능 구현을 위한 프로그래밍 역량을 기르는 것을 목표로 하며, Python 언어 문법은 물론 주요 AI 라이브러리(Numpy, Pandas, Matplotlib, scikit-learn 등)의 활용법을 실습 중심으로 학습합니다. 또한 인공지능 개발 환경을 구성하는 데 필요한 운영체제와 컴퓨터 시스템에 대한 이해, Jupyter Notebook 및 가상환경 설정, 라이브러리 설치 및 관리 등 실질적인 개발 준비 과정도 함께 다룹니다. 이 강좌를 통해 학생들은 AI를 실질적으로 구현하기 위한 프로그래밍의 기초 체력을 탄탄히 다질 수 있습니다.

머신러닝

2-1

3학점

전공

일반

이론

본 교과목은 머신러닝과 딥러닝의 이론과 실제를 학습하는 것을 목표로 합니다. 학생들은 지도학습, 비지도학습, 강화학습의 기본 개념과 다양한 알고리즘을 탐구하며, 심층 신경망을 포함한 딥러닝 모델의 설계와 구현을 학습합니다. 각 알고리즘의 수학적 원리와 작동 방식에 대한 이론적 이해를 바탕으로, 다양한 데이터셋에 적용해보는 실습을 함께 진행합니다. 아울러 데이터 전처리, 모델 선택, 성능 평가 등 머신러닝의 전반적인 흐름을 체계적으로 경험하며, 이론과 실습의 유기적인 통합을 추구합니다. 실습과 프로젝트 중심의 학습을 통해, 학생들은 습득한 지식을 실제 데이터 분석과 문제 해결에 효과적으로 적용할 수 있도록 합니다. 또한 모델의 성능을 정량적으로 평가하고, 하이퍼파라미터 튜닝 등의 기법을 활용해 성능을 개선하는 방법을 익힙니다. 이를 통해 인공지능 시스템을 스스로 설계하고 구현할 수 있는 실질적인 역량을 갖추게 됩니다.

자료구조와알고리즘

2-1

3학점

전공

일반

이론

본 교과목은 컴퓨터과학 분야에서 발생하는 중요한 문제 중 하나는 결국 다양한 성질의 데이터를 빠르게 탐색하고 처리할 수 있는 데이터 저장 구조(Data Structure)를 설계하는 것입니다. 이는 해당 문제에 대한 알고리즘의 성능을 좌우하는 매우 중요한 요소이기도 합니다. 자료구조의 선택과 설계는 문제 해결의 효율성을 크게 좌우하며, 적절한 자료구조 사용은 컴퓨터 자원의 최적 활용으로도 이어집니다. 본 과목에서는 데이터의 효율적인 저장과 탐색 및 처리를 위해 개발된 다양한 자료구조를 살펴보고, 이를 이용해 문제를 효율적으로 해결하는 다양한 알고리즘 기법을 설명합니다. 학생들은 기본 자료구조와 알고리즘을 이해하고 이를 실제 문제에 적용하는 능력을 기르며, 이를 통해 컴퓨터과학 전반의 문제 해결 능력을 향상시킬 수 있습니다. 또한, 각 자료구조의 시간·공간 복잡도와 효율성을 분석하여 적절한 선택과 활용이 가능하도록 합니다.

통계모델링

2-1

3학점

전공

일반

이론

본 교과목은 인공지능과 데이터 분석 분야에서 핵심적으로 활용되는 통계적 예측 모형을 심도 있게 학습하는 것을 목표로 합니다. 학생들은 다양한 통계 모델링 기법을 통해 데이터로부터 의미 있는 정보를 추출하고, 이를 기반으로 정확한 예측과 분석을 수행하는 능력을 기르게 됩니다. 주요 학습 내용으로는 기본적인 선형 모형을 시작으로, 더 복잡한 데이터와 관계를 설명할 수 있는 일반화선형모형에 이르기까지 다양한 통계 모형을 다룹니다. 또한, 고차원 데이터 처리와 변수 간의 상관관계를 효과적으로 분석하기 위한 차원 축소 기법을 학습하며, 이를 통해 데이터의 구조를 간결하게 표현하는 방법을 익힙니다. 차원 축소는 데이터 시각화, 노이즈 제거, 그리고 예측 모델의 성능 향상에 매우 중요한 역할을 하므로 그 원리와 적용 방법을 깊이 있게 다룹니다. 이와 더불어, 불확실성의 관리를 위한 베이지안 방법론을 학습하여, 기존의 빈도주의 통계 방법과는 다른 시각에서 데이터 분석과 모델링을 수행할 수 있는 능력을 배양합니다. 베이지안 모델링은 복잡한 문제 상황에서 사전 지식과 데이터를 통합해 유연한 예측과 추론을 가능하게 하며, 실제 AI 시스템 설계에 널리 응용됩니다. 본 과목에서 배운 통계 모델링 기법들은 머신러닝, 딥러닝과 같은 고급 AI 기술의 이해와 활용에도 중요한 기초가 됩니다. 학생들은 다양한 유형의 데이터 분석 문제에 적절한 통계 모형을 적용하고 해석할 수 있는 실질적인 역량을 갖추게 됩니다.

객체지향프로그래밍

2-2

3학점

전공

PC

실습

본 교과목은 프로그래밍의 기본 흐름을 제어하는 선택 구조와 반복문을 익히고, 이를 바탕으로 메서드를 정의하여 코드의 재사용성과 모듈화를 실현하는 방법을 학습합니다. 이어서 객체와 클래스의 개념을 중심으로, 데이터와 메서드를 하나로 묶는 객체지향 프로그래밍의 핵심 원리를 다룹니다. 학생들은 클래스를 설계하고 구현함으로써 현실 세계의 대상을 효과적으로 추상화하고, 체계적인 프로그램 구조를 만드는 방법을 익히게 됩니다. 또한 상속과 다형성 같은 객체지향 프로그래밍의 중요한 특성을 학습하여, 기존 클래스의 기능을 확장하고 여러 객체가 같은 인터페이스로 다양한 동작을 수행하도록 설계하는 방법을 익힙니다. 이를 통해 코드의 재사용성과 유연성을 높이고 유지보수를 용이하게 할 수 있습니다. 더불어, 프로그램 실행 중 발생할 수 있는 예외 상황을 처리하는 예외 처리 기법을 배워, 안정적이고 견고한 소프트웨어를 개발할 수 있도록 합니다. 이 과목은 학생들이 현대 프로그래밍의 핵심 역량을 체계적으로 쌓아 실무에 적용할 수 있는 기반을 마련하게 됩니다.

딥러닝기초

2-2

3학점

전공

PC

실습

본 교과목은 인공지능 발전을 견인해온 핵심 기술인 딥러닝의 기본 개념과 원리를 깊이 있게 이해하는 데 중점을 둡니다. 학생들은 신경망의 구조와 학습 방법, 다양한 딥러닝 모델들을 체계적으로 학습하며, 딥러닝이 복잡한 데이터 문제를 해결하는 원리를 명확히 파악합니다. 이를 통해 AI 분야에서 필수적인 딥러닝 기술의 기초를 탄탄히 다질 수 있도록 합니다. 또한, 이론과 실습을 병행하여 학생들이 직접 딥러닝 모델을 설계하고 구현하는 경험을 쌓을 수 있도록 합니다. 다양한 오픈소스 라이브러리와 도구를 활용해 실제 문제에 딥러닝을 적용하는 방법을 익히며, 이미지 인식, 자연어 처리 등 여러 분야의 사례를 통해 실무 감각을 키웁니다. 본 과목을 이수함으로써 학생들은 딥러닝에 대한 실질적인 이해와 활용 능력을 갖추게 되며, 향후 심화 AI 기술 학습 및 연구 개발에 필요한 탄탄한 기초 역량을 마련하게 됩니다.

빅데이터모델링

2-2

3학점

전공

PC

실습

본 교과목은 빅데이터를 기반으로 데이터모델링의 전 주기를 포함하는 실습을 진행됩니다. 학생들은 데이터모델링 과정의 모든 단계를 실습하면서 이를 이해하고 익힐 수 있습니다. 데이터 수집 단계에서는 실제 데이터를 수집하고, 데이터의 품질을 평가하고 필요한 형태로 변환하는 과정을 경험합니다. 이를 통해 현실적인 데이터 처리 문제에 대한 이해를 높이고 데이터의 질을 향상시키는 방법을 익힐 수 있습니다. 다음으로, 데이터 모델링 및 분석 단계에서는 다양한 모델링 기법과 알고리즘을 학습하고 이를 실제 데이터에 적용하여 모델을 구축합니다. 학생들은 데이터를 분석하고 패턴을 발견하며, 예측 모델을 구축하는 과정을 실습하게 됩니다. 마지막으로, 결과 해석 및 시각화 단계에서는 모델링 결과를 해석하고 시각적으로 표현하는 방법을 배웁니다. 학생들은 모델링 결과를 효과적으로 전달하고 의사 결정에 활용할 수 있는 시각화 기술을 습득합니다. 이러한 과정을 통해 학생들은 실제 데이터를 활용하여 데이터 모델링의 전 과정을 체계적으로 경험하고, 빅데이터 분석 및 모델링에 필요한 실무 능력을 획득할 수 있습니다.

비정형데이터마이닝

3-1

3학점

전공

PC

실습

본 교과목은 텍스트, 이미지, 비디오와 같은 비정형 데이터를 분석하고 의미 있는 정보를 추출하는 기법과 방법론을 다루는 과목입니다. 비정형 데이터는 구조화된 데이터와 달리 복잡하고 다양하여, 이를 효과적으로 처리하기 위한 특화된 기술과 알고리즘의 이해가 필요합니다. 이 교과목에서는 비정형 데이터의 특성과 이를 처리하는 다양한 접근 방법을 학습하며, 텍스트 마이닝, 자연어 처리(NLP), 이미지 처리, 소셜 미디어 분석 등을 포함한 여러 응용 분야의 사례를 통해 이론과 실습을 병행합니다. 또한, 대규모 데이터의 전처리와 특징 추출 과정에 대해 심도 있게 다루어, 데이터 품질을 높이고 분석의 정확도를 향상시키는 방법을 익힙니다. 학생들은 비정형 데이터에서 패턴을 찾아내고, 머신 러닝과 딥 러닝 모델을 활용해 데이터를 해석하는 방법을 익히며, 데이터의 가치와 활용 가능성을 높이는 역량을 키우게 됩니다. 이러한 학습을 통해 학생들은 다양한 유형의 비정형 데이터를 다루는 실무 능력을 갖추고, AI 기반 데이터 분석 분야에서 경쟁력을 확보할 수 있습니다.

자연어처리의기초

3-2

3학점

전공

PC

실습

본 교과목은 자연어 처리(NLP)의 기초 이론과 기술을 학습하는 것을 목표로 합니다. 학생들은 텍스트 데이터의 전처리 과정에서 토큰화, 형태소 분석, 정제와 같은 기본 작업을 익히고, 언어 모델링과 단어 임베딩 등 핵심 개념과 기술을 깊이 있게 탐구합니다. 또한, 최근 인공지능 분야에서 주목받고 있는 대규모 언어 모델(LLM)의 기본 원리와 다양한 응용 사례를 학습하여, 이론적 배경뿐만 아니라 실제 활용 가능성까지 폭넓게 이해할 수 있도록 합니다. 더불어, 텍스트 분류, 감성 분석, 기계 번역과 같은 대표적인 NLP 과제를 통해 자연어 처리 기술의 실제 적용 방법을 체계적으로 습득합니다. 학생들은 이를 바탕으로 기본적인 NLP 프로젝트를 수행하며, 자연어 이해와 생성 기술을 실무에 활용할 수 있는 능력을 갖추게 됩니다. 본 과목을 통해 학생들은 자연어 처리의 기초를 탄탄히 다지고, 현대 AI 기술에서 필수적인 언어 데이터 처리 역량을 갖추도록 합니다.

컴퓨터비전

3-2

3학점

전공

일반

이론

본 교과목은 컴퓨터가 이미지와 영상으로부터 의미 있는 정보를 인식하고 해석하는 방법에 대해 체계적으로 학습합니다. 학생들은 컴퓨터 비전의 기본 개념과 기술을 이해하는 것을 시작으로, 영상 처리 및 분할, 특징점 검출, 객체 인식, 그리고 패턴 인식 등 핵심 주제를 깊이 있게 탐구합니다. 특히, 다양한 영상 처리 기법을 통해 이미지의 품질을 개선하고, 복잡한 장면에서 객체를 효과적으로 분할하는 방법을 배웁니다. 더불어, 특징점 검출과 매칭 기법을 통해 이미지 내 중요한 정보를 추출하고, 이를 기반으로 물체를 인식하는 다양한 알고리즘과 모델을 익힙니다. 최근 컴퓨터 비전 분야에서 활발히 연구되는 딥러닝 기반 기술도 다루어, 합성곱 신경망(CNN)을 이용한 이미지 분류 및 객체 탐지 기법을 학습합니다. 이를 통해 학생들은 컴퓨터 비전 기술의 원리와 응용 가능성을 폭넓게 이해할 수 있습니다. 또한, 실습을 통해 실제 이미지 데이터를 다루고, 다양한 컴퓨터 비전 알고리즘을 직접 구현해보면서 문제 해결 능력과 응용 능력을 키우게 됩니다. 본 과목은 이론과 실습을 균형 있게 배치하여, 학생들이 컴퓨터 비전 분야에서 실질적인 역량을 갖추고, 관련 산업 및 연구 분야에 진출할 수 있도록 돕습니다.