< 초대의 글 >
최근 들어 학계와 산업계 전반에서 많은 각광을 받고 있는 머신러닝과 딥러닝 분야의 다양한 기술과 응용들에 대한 소개와 이해를 돕기 위해 한국정보과학회 데이터베이스 소사이어티에서 2018년 2월 22일(목) - 23일(금) 양일에 걸쳐 “머신러닝 / 딥러닝 이해와 응용”이라는 부제로 “제3회 한국정보과학회 빅데이터 기술 겨울학교”를 개최합니다.
다양한 분야에서 머신러닝/딥러닝을 연구하고 계시는 국내 최고 권위의 다섯 분을 연사로 모시고 기초 이론에서부터 응용 사례에 이르기까지 다양하고 유익한 내용으로 강의를 준비하였습니다. 부디 많은 분들께서 이번 겨울학교에 참여하시어 머신러닝/딥러닝 기술과 활용에 대한 폭넓은 이해와 경험을 습득할 수 있는 기회의 장이 되시기를 기대합니다.
• 조직위원장: 김상욱 (한양대)
• 프로그램위원: 황인준 (고려대, 위원장), 김덕환 (인하대), 김영훈 (한양대), 석준희 (고려대)
• 자문위원: 전종훈 (명지대) , 권준호 (부산대)
< 프로그램 >
< 강사 소개 >
기계학습 기초 I, II
강사 :
김중헌 교수
약력
(2016-현재) 중앙대학교 컴퓨터공학부 조교수
(2013-2016) 인텔연구소, 미국 산타클라라
(2014) Univeristy of Southern California, Ph.D. in Computer Science
(2006-2009) LG전자 서초R&D캠퍼스, 대한민국 서울
(2006) 고려대학교 컴퓨터학과 석사
(2004) 고려대학교 컴퓨터학과 학사
강의자료
내용
기계학습 기초 I : 본 강의에서는 머신러닝의 기본적인 알고리즘과 그 실습을 목표로 한다. 지도학습의 대표적인 모델인 linear regression과 logistic regression에 대해서 학습 및 실습을 진행하고 이를 기반으로하여 softmax classification과 support vector machine에 대해 논한다.
기계학습 기초 II: 본 강의에서는 비지도학습의 핵심이 되는 clustering analysis에 대해서 학습하고 통계추론 기법에 대해서 논한다. 더불어 최근 많은 분야에서 다양하게 활용되고 이는 트리기반 알고리즘에 대해서 학습하고 실습을 진행한다.
딥러닝 기초 I, II
강사 :
이상근 교수
약력
(2017-현재) 한양대 에리카 소프트웨어학부 조교수
(2015-2017) 독일 TUDortmund University, Collaborative Research Center SFB 876 : Project leader
(2011-2014) 독일 TU Dortmund University, Collaborative Research Center SFB 876 : Postdoc researcher
(2011) 미국 University of Wisconsin-Madison, Computer Science 박사
(2008) 미국 University of Wisconsin-Madison, Computer Science 석사
(2005) 서울대학교 컴퓨터공학과 석사
(2003) 서울대학교 컴퓨터공학과 학사 (과수석 졸업)
강의자료
내용
딥러닝 기초 I : 본 강의에서는 딥러닝의 근간을 이루는 DNN (Deep Neural Network)의 기본 개념을 공부한다. 학습 알고리즘인 Back propagation의 원리와 SGD, AdaGrad, RMSProp, ADAM과 같은 학습 최적화 알고리즘의 개념에 대해 논의하고, DNN의 구조와 예측성능간의 상관관계를 이해하기 위한 학습이론을 개념적으로 공부한다.
딥러닝 기초 II : 본 강의에서는 DNN 학습에서 중요한 과적합 (overfitting)과 이를 방지하기 위한 정규화 (regularization) 방법에 대해 공부한다. 마지막으로 DNN의 응용인 CNN (Convolutional Neural Network)과 RNN (Recurrent Neural Network)에 대해 개괄적으로 공부한다.
머신러닝/딥러닝 응용 I. 바이오
강사 :
신현정 교수
약력
(2006-현재) 아주대학교 공과대학 산업공학과 (교수)
(2016-현재) 한국정보과학회 (교육이사)
(2016-현재) 한국정보과학회 인공지능소사이어티 기계학습위원회 (회장)
(2014-현재) KSBSB 한국생물정보시스템생물학회 (교육이사)
(2011-현재) 국민건강보험심사평가원(HIRA) 청구소프트웨어 검사심의위원회(부위원장)
(2010-현재) 국제학회 Translational BioMedical Conference TBC (운영이사)
(2007-현재) KOSMI 대한의료정보학회 (회원)
(2006-현재) 한국BI데이터마이닝학회 (등기이사)
(2005-현재) ISCB 국제생물정보학회 (회원)
(2002-현재) INFORMS 국제 경영정보학회 (회원)
(2002-현재) INNS 국제신경망학회 (회원)
(2014-2016) 대한산업공학회 (학술이사)
(2009-2010) 보건복지부 Health Technology 포럼위원회 (위원)
(2006) 서울대학교 의과대학 (연구교수)
(2005-2006) Friedrich-Miescher-Laboratory, Max-Planck-Institute 독일 (수석연구원)
(2004-2005) Max-Planck-Institute for Biological Cybernetics 독일 (연구원)
(2000-2005) 서울대학교 산업공학과 데이터마이닝 (박사)
강의자료
내용
The role of machine learning is becoming more pivotal for prediction of personalized prognosis and diagnosis. For the past decades, a novel knowledge has been obtained mostly by identifying INTRA-relation, the relation between entities on a specific layer of biomedical continuum. Nowadays, a number of heterogeneous types of data, such as genomic epigenomic, transcriptomic, proteomic, phenomic, clinical, behavioral data, have become more available. It can aid in extracting knowledge by drawing an INTEGRATIVE conclusion from many pieces of information collected from diverse data sources. On the other hand, if multiple layers of data is given, the layered-structure may lead to some hints that we can uncover an unknown knowledge through INTER-relation, the relation between different layers: from a lower layer to a higher layer, and vice versa. In this talk, the prototypes of ML BioMedical applications working on the diverse structures of network will exemplified.
머신러닝/딥러닝 응용 II. 컴퓨터 비전
강사 :
임종우 교수
약력
(현재) associate professor at Dept. of Computer Science, Hanyang University
(2011-2012) software engineer at Google inc.
(2005-2011) senior scientist at Honda Research Institute USA inc.
(2005) Ph.D. degree from University of Illinois at Urbana-Champaign (UIUC)
(2003) MS degree from University of Illinois at Urbana-Champaign (UIUC)
(1997) B.S. degree from Seoul National University, Korea
강의자료
내용
This tutorial will cover the basic concepts convolutional neural networks (CNNs), and the applications to computer vision problems, including image classifications and visual tracking. Computer vision is one of the fields that deep learning has been adopted in its early stage and shown its possibility to solve traditionally difficult problems. Image classification is the most well-known example of deep learning in computer vision. In this talk, the fundamental concepts in CNNs, such as convolution, ReLU, and pooling, are explained in detail with examples, and the structure of and the idea behind several popular networks, including AlexNet, VGG, and ResNet, are introduced as well.
머신러닝/딥러닝 응용 III. 추천 시스템
강사 :
이종욱 교수
약력
(2014-2016) Assistant professor, Hankuk University of Foreign Studies
(2012-2014) Postdoctoral scholar, The Pennsylvania State University, PA, USA
(2012-2014) Postdoctoral scholar, POSTECH
(2009) Research intern, Microsoft Research Redmond, WA, US
(2008-2009) Research intern, Microsoft Research Asia, Beijing, China
(2006-2012) Ph.D. in Computer Science, POSTECH, Korea
(1999-2006) BS. in Computer Science, Sungkyunkwan University, Korea
강의자료
내용
본 강연에서는 널리 활용되고 있는 딥러닝이 추천 시스템에서 활용되고 있는 대표 사례를 소개한다. 구체적으로, 최근의 연구에서는 딥러닝을 활용하여 기존의 선형 기반 행렬 분해 기반의 추천 알고리즘을 확장하여 사용자-항목간 비선형적인 형태로 일반화하여 표현함으로써, 추천의 정확도를 개선하고 있다. 또한 다양한 형태의 사용자 및 항목 정보를 딥러닝 기반의 모델에 하나로 통합하여 종단 형태로 추천 알고리즘을 학습한다. 본 강연에서는 이와 같은 최근의 연구 흐름을 살펴보고, 미래의 추천 시스템 방법론을 전망해 본다.