행사개요

행사명 제2회 인공지능 및 로보틱스 여름학교 (AI & Robotics Summer School 2017)
일시 2017년 8월 16일(수) ~ 18일(금), 3일간
장소 대전 KAIST 다목적홀 (대전광역시 유성구 대학로 291, N1 김병호ㆍ김삼열 IT융합 빌딩)
주최/주관 한국로봇학회
취지 국내 대학원생들을 포함한 robotics community에 AI & robotics 분야의 명강의와 실습을 포함한 평소 접하기 어려웠던 교육 서비스를 제공한다.

※ 2016년도와의 차별성 ※
대학원생들을 위한 기초적인 강의에 중점을 두며, 최신 토픽을 소개하는 프로그램으로 구성 함.
실습을 통해 직접 체험할 수 있는 환경을 제공 예정

프로그램(안)

강의 시간표(안)

장소: KAIST 다목적홀 (N1 김병호ㆍ김삼열 IT융합 빌딩)
8/16(수) 8/17(목) 8/18(금)
09:00-10:00 등록 딥러닝
(KAIST 김준모 교수)
딥러닝 실습
(KAIST 김준모 교수)
10:00-12:30 머신러닝의 소개
(KIAST 유창동 교수)
10:00~13:00
12:30-14:00 중식
교수회관 [건물번호 N6 2층]
14:00-17:30 Natural Language Understanding
(전북대 나승훈 교수)
딥러닝 실습
(KAIST 김준모 교수)
컴퓨터비전: 이론과 응용
(KAIST 권인소 교수)
※ 강의 시간 및 제목은 변동될 수 있음

강의개요

강사 유창동 교수 (KAIST)
제목 인공지능 개론, 머신러닝 개론
초록 본 강연에서는 Machine Learning (기계학습)의 기본 개념에 대해서 알아본다. 기계 학습의 기본 원칙과 체계 그리고 다양한 분야를 소개하고 Bayesian principle, EM algorithms, 그리고 Support Vector Machine에 대해서 배운다. 강의 내용은 다음과 같다.
  1. Introduction to Machine Learning
  2. Probability Distributions
  3. Bayesian Approach
  4. Expectation-Maximization Algorithm(EM Algorithm)
  5. Support Vector Machine(SVM)
약력 1986 B.S. degree in Engineering and Applied Science/California Institute of Technology
1988 M.S. degree in Electrical Engineering/Cornell University
1996 Ph. D. degree in Electrical Engineering/Massachusetts Institute of Technology

1999 – 현재 KAIST 전기및전자공학부 교수
1997 – 1999 한국통신(KT) 연구개발본부 선임연구원

강사 나승훈 교수 (전북대학교 컴퓨터공학부)
제목 Natural Language Understanding
초록 본 강의에서는 딥 러닝을 이용한 자연언어이해의 전반에 대해서 다루며, 강의 내용은 다음과 같다.
  1. Introduction to natural language understanding
  2. Word embedding and neural language models
  3. Recurrent/Recursive neural networks
  4. Neural encoder-decoder for machine translation
  5. Transition-based neural networks
  6. Memory-augmented neural networks
약력 2008: POSTECH 컴퓨터공학과 박사
2008-2012: National University of Singapore, Research fellow
2012-2014: 한국전자통신연구원, 선임연구원
2015-: 전북대학교 컴퓨터공학부 조교수

강사 김준모 교수 (카이스트 전기및전자공학과)
제목 딥러닝
초록 딥러닝은 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 딥러닝은 기계학습의 새로운 패러다임을 제시하였다고 할 수 있다. 본 강의에서는 딥러닝이 무엇이며, 왜 그 동안 딥러닝이 어려웠는지 살펴보고 deep learning을 가능하게 한 최근 연구 성과들을 소개한다. 이와 관련하여 restricted Boltzmann machine (RBM), deep belief network (DBN), deep neural network (DNN), convolutional neural network (CNN) 등의 기법을 소개하고 이들이 얼굴 인식, 물체 인식을 포함한 robot vision 문제들에 어떻게 활용되는지 소개한다. 또한 실습 시간에는 Torch, Pytorch, Tensorflow, Caffe와 같은 딥러닝을 위한 라이브러리의 활용 방법을 살펴보고 직접 사용해 보는 실습 기회를 제공한다.

< 실습 내용 및 담당 조교 >
- Caffe 설치 및 사용방법, Caffe 구조 파악 및 CNN을 구성하고 학습시키는 방법 실습 (주동규)
- Tensorflow의 기본적인 실행 및 Examples, Tensorboard를 이용한 결과 visualization (이재영)
- Torch의 lua를 이용한 기초 프로그래밍 설명, CNN 구현 및 학습 방법 실습 (김영동)
- Pytorch의 기본적인 사용방법 및 구조 파악, 간단한 예제 실습 (이종호)
약력 1995-1998: 서울대학교 전기공학부 학사
1998-2005: MIT, EECS석사, 박사
2005-2009:삼성종합기술연구원 전문연구원
2009-현재: KAIST 전기및전자공학과 조교수, 부교수

강사 권인소 교수 (카이스트 전기및전자공학부)
제목 컴퓨터비전: 이론과 응용
초록 컴퓨터비전은 인간시각시스템의 작동원리를 수학적모델로 분석하고 이해하려는 시도들을 중심으로 발전 하여왔다. 최근 들어서는 컴퓨터그래픽스, 머신러닝 등 새로운 분야와의 융합으로 급속적인 발전을 이루었다. 본 강연에서는 컴퓨터비전에 대한 기초에서부터 다양한 응용까지를 소개한다. 구체적으로는 (1) 카메라 모델에 대한 소개 및 수학적 모델, (2) 여러 대의 카메라를 이용한 3차원복원에 대한 기본 이론, (3) 밝기값을 이용한 3차원 정보 추출에 대한 기본 방법론과 그 이론, (4) 트래킹, 물체분할 등과 같은 기본 알고리듬에 대한 소개, (5) 특징 추출과 매칭, (6) 물체인식 방법론 등을 소개한다. 특히, 각 주제 별로 기존 방법론들이 갖고 있는 한계를 소개하고, 최근 딥러닝 기반의 방법론들이 이러한 문제를 해결하는 새로운 접근법들을 비교하여 설명한다.
약력 서울대학교 기계설계학과, 공학사, 1981
서울대학교 기계설계학과, 공석사, 1983
Carnegie Mellon University, Ph.D. in Robotics, 1990

한국기계연구원, 연구원, 1983~1984
Toshiba R&D Center, Researcher, 1991~1992
Cambridge University, Visiting Professor, 1998~1999
카이스트 전기및전자공학부, 교수, 1992~현재
카이스트 전기및전자공학부, 한전석좌교수, 2015~현재