- PRML 기초, 이론 및 응용 -
2017년 2월 20일(월) - 22일(수), 고려대학교
정보 기술의 발전과 더불어 다양한 형태의 데이터들이 기하급수적으로 생성되고, 융합 학문의 중요성과 더불어 복잡한 데이터의 분석에 대한 필요성이 여러 학문 분야에서 부각되고 있습니다. 이러한 기술적 요구와 더불어 최근 딥러닝을 필두로 한 기계학습 및 패턴인식에 대한 관심이 그 어느때 보다도 높습니다. 이에 한국정보과학회 인공지능소사이어티에서는 2017년 2월 20일-22일 총 3일에 걸쳐 “2017년 패턴인식 및 기계학습 겨울학교”를 개최합니다.
다양한 분야에서 패턴인식 및 기계학습을 연구하고 계시는 국내 최고 권위의 아홉 분 연사를 모시고, 기초 이론부터 응용 사례에 대한 내용까지 알찬 강의를 준비해 보았습니다. 이번 겨울학교는 특히 패턴인식 및
기계학습 연구에 입문하는 수강생들을 대상으로 하여, 기본 개념 및 응용 기술에 대한 기초 지식을 심도있게 정립하는데 중점을 두었습니다. 많은 분들이 겨울학교에 참가하셔서 여러 분야에서 유용하게 활용하실 수 있는 기회의 장이 되었으면 합니다. 많은 분들이 겨울학교에 참가하여 의미 있는 시간이 될 수 있기를 기대합니다.
2016년 9월 20일
한국정보과학회 인공지능소사이어티 회장 이성환
2017년 패턴인식 및 기계학습 겨울학교 프로그램위원장 김기응
최승진(POSTECH), 최호진(KAIST)
▲ 맨 위로
▶ Deep Learning with Time Series Data
최재식 교수(UNIST)
내용
시계열 데이터는 금융, 군사, 날씨등 다양한 응용 분야에서 순차 데이터를 표현하는데 필수적인 도구이다. 최근 딥러닝의 발전은 이미지 및 동영상 분석의 시각인지를 넘어서, 음성 및 뇌파와 같은 시계열 신호를 분석하고 인지하는데도 큰 발전이 있었다. 본 강의에서는 딥러닝 기반 시계열 데이터 분석에 사용되는 모델(RNN - Recurrent Neural Network, LSTM - Long Short-Term Memory, GRU - Gated Recurrent Unit, ESN - Echo State Network) 및 학습 알고리즘을 소개하고, 그 이론적/실제적 표현 능력 및 한계를 설명한다. 더불어, 뇌파 인식등에 뛰어난 성능을 보이는 RCNN - Recurrent Convolutional Neural Network을 소개하고, 계층적으로 신호를 인식하는 과정을 소개한다.
약력
2013 - 현재 : UNIST 전기컴퓨터공학부 조교수
2013 : 로렌스 버클리 연구소 박사후 펠로우
2012 : 일리노이 주립대 전산학과 박사 / 박사후 연구원
홈페이지
http://sail.unist.ac.kr
▶ Bayesian Learning
신봉기 교수(부경대학교)
내용
베이즈 학습(Bayesian Learning)은 최근 기계학습의 근간을 이루는 큰 줄기의 하나로써 불확실하거나 불완전하고 데이터들을 확률 모형으로 표현하려는 통계적 학습 방법이다. 본 강의에서는 베이즈 정리와 같은 베이스 학습에 대한 기본적인 개념들과 확률 모형, 모수 추정 방법 등에 대하여 소개하고, 기술의 적용 방향에 대하여 생각해본다.
약력
1999 - 현재 : 부경대학교 IT융합응용공학과 교수
1991 - 1995 : KAIST 전산학과 박사
1987 - 1991 : 한국통신SW연구소 선임연구원
▶ Variational Bayesian Inference
석흥일 교수(고려대학교)
내용
베이즈 추론을 포함한 통계적 기계학습 기법들 중에는 추정하고자 하는 확률 밀도의 정확한 계산이 불가능한 경우가 많다. 이에 대한 해결책으로 근사화(Approximation) 기법들이 많이 적용되고 있다. 본 강연에서는 변분 추론(Variational Inference)을 이용한 근사화 기법에 대한 기본 개념을 설명하고, 이를 활용한 Variational Density Estimation, Variational Bayesian Linear Regression, Variational GMM/EM을 살펴본다.
약력
2015 - 현재 : 고려대학교 뇌공학과 조교수
2012 - 2014 : Univ. of North Carolina at Chapel Hill Postdoc Fellow
2012 : 고려대학교 컴퓨터·전파통신공학과 공학박사
홈페이지
http://www.ku-milab.org
▶ Deep Reinforcement Learning
박주영 교수(고려대학교)
내용
깊은 강화학습(Deep Reinforcement Learning)은 현대 인공지능 기술 중 가장 활발한 연구가 이루어지는 분야로써, 강화학습, 제어이론 및 딥러닝 기술이 결합되어 시너지 효과를 거두며 급속한 발전을 이루고 있다. 본 강좌에서는 깊은 강화학습 기술의 과거와 현재를 구성하는 주요 주제인 Ito Process with Control Inputs, Stochastic Optimal Control, HJB Equation, MDP, Q-Learning, Deep Learning, DQN, Advanced DQN(Double DQN, Prioritized DQN, Dueling DQN), continous DQN(DDPG, NAF), AlphaGo 등의 개념을 살펴보고, 이와 관련한 미래 기술의 방향에 대해 생각해본다.
약력
1993 - 현재 : 고려대학교 제어계측공학과 교수
1992 : University of Texas at Austin 전기및컴퓨터공학과 박사
1983 : 서울대학교 전기공학과 학사
홈페이지
http://sites.google.com/site/rbfpark3
▶ Probabilistic Graphical Models
양은호 교수(KAIST)
내용
확률 그래프 모델(Probabilistic Graphical Models)은 다변량 확률 분포를 효율적으로 표현하기 위한 프레임워크로서, 통계학, 전산학 등에서 확률 변수들 사이의 복잡한 상관성, 인과성등의 상호 작용을 모델링하기 위하여 사용된다. Medical diagnosis/Image understanding/Bioinformatics/NLP/Finance 등 다양한 분야에서 다변량 변수 분석을 위한 핵심 툴로 사용되고 있다. 본 강좌에서는, 확률 그래프 모델의 기본 개념에 대해서 설명하고, 기계 학습 관점에서의 그래프 모델 학습 및 추론에 대해서 살펴 본다.
약력
2016 - 현재 : KAIST 전산학부 조교수
2014 - 2016 : IBM T.J. Watson Research Center, Research Staff Member
2014 : University of Texas at Austin 컴퓨터과학 박사
홈페이지
https://sites.google.com/site/yangeh
▶ Variational Inference for Matrix Factorization, Topic Modeling and Autoencoding
문일철 교수(KAIST)
내용
변분 추론(Variational Inference)는 베이지안 확률 모델의 파라미터 추론의 핵심 방법론 중 하나이다. 변분추론을 활용하여, 다양한 확률 모델의 파라미터 추론을 Deterministic하게 수행할 수 있으며, 이는 샘플링 기반 추론보다 더욱 빠른 속도로 모델을 학습할 수 있다는 장점이 있다. 이 발표는 변분 추론의 기초, 변분 추론의 Topic Modeling 및 Matrix Factorization의 적용, 변분 추론의 Auto-Encoder관점에서의 재해석을 다룬다.
약력
2011 - 현재 : KAIST 산업및시스템공학 조교수
2009 - 2011 : KAIST 박사후 연구원
2008 : Carnegie Mellon University 전산학 박사
홈페이지
http://seslab.kaist.ac.kr
▶ Deep Convolutional Neural Network
김준모 교수(KAIST)
내용
Deep Learning은 최근 음성 인식, 영상 인식 분야의 각종 세계 기록을 새로 수립하면서 강력한 기계학습 방법으로 각광받고 있다. 특히 기존에 사람이 수동으로 각종 Feature를 Design한 후 기계학습 방법과 결합하여 분류, 인식 문제를 해결하던 패러다임을 탈피하여 Data로부터 자동적으로 계층적인 Feature들을 학습하고 분류, 인식까지 통합하여 수행할 수 있다는 점에서 Deep Learning은 기계학습의 새로운 패러다임을 제시하였다고 할 수 있다. 본 강의에서는 영상 인식을 위한 Deep Convolutional Neural Network (CNN)을 소개하고 CNN이 그 동안 어떻게 발전되어 왔는지 살펴본다. 또한 영상 인식 이외에도 Localization, Detection, Segmentation 문제들에 CNN이 활용된 사례와 Image Captioning, Visual Question Answering 문제에서의 성과들도 소개한다.
약력
2009 - 현재 : KAIST 전기및전자공학과 조교수, 부교수
2005 - 2009 : 삼성종합기술원 전문연구원
1998 - 2005 : MIT EECS 석사 / 박사
홈페이지
https://sites.google.com/site/siitkaist
▶ Multimodal Neural Networks for Vision and Language Applications
김건희 교수(서울대학교)
내용
근래 딥러닝 모델들은, 시각 지능과 언어 지능을 동시에 필요로 하는 여러 작업들에 성공적으로 적용되고 있다. 즉, CNN을 이용해 시각 정보를 표현하고, RNN을 이용하여 단어의 연속인 자연어 문장을 표현하여, 이들의 상관관계를 학습/예측하게 된다. 본 강좌에서는 CNN와 RNN의 기본 개념에 대해 간단히 다룬 후, Image/Video Captioning 및 Question Answering의 대표적인 모델들에 대해 살펴보고, 주요하게 사용되는 학습법 및 정규화 기법들을 이해한다.
약력
2015 - 현재 : 서울대학교 공과대학 컴퓨터공학과 조교수
2013 - 2015 : 박사후 연구원, Disney Research
2009 - 2013 : Carnegie Mellon University 전산학 박사
홈페이지
http://vision.snu.ac.kr
▶ Speech Recognition System
김지환 교수(서강대학교)
내용
본 강의는 대화형 사용자 인터페이스 구현에 필요한 음향모델, 언어모델 및 디코더 구현에 대한 이해를 목표로 한다. 음성인식의 공학적 문제정의를 제시하며, 음성인식 문제의 복잡도 및 상용화된 음성 인터페이스 기술의 구현 난이도를 분석한다. 현재 음성 인터페이스 구현 기술의 주류를 이루고 있는 DNN-HMM을 중심으로 세부 기술을 소개한다. 음향모델은 HMM(Hidden Markov Models)에 기반한 방식과 DNN (Deep Neural Net)에 기반한 방식을 살펴본다. 언어모델은 n-gram 기반의 언어모델을 소개하며, 디코더에 대한 개념을 설명한다. 실제 application 구현 시 사용한 가능한 toolkit 및 음성 코퍼스에 대해서 소개한다.
약력
2007 - 현재 : 서강대학교 컴퓨터공학과 조교수/부교수
2001 - 2007 : LG전자 책임/선임 연구원
1998 - 2001 : University of Cambridge 공학 박사
홈페이지
http://speech.sogang.ac.kr
고려대학교 자연계캠퍼스 과학도서관 5층 강당 (자세히 보기)
