(사)한국인지과학산업협회 인지기술 튜토리얼 7
2015년 3월 27일(금) - 28일(토)
서울대학교 관악캠퍼스 83동 305호
* 최초 공지된 301동 203호에서 83동 305호로 장소 변경 *
기계학습은 수집한 데이터로부터 모델을 자동적으로 생성하는 기술로서, 최근 깊은 구조의 학습 방식에 대한 연구가 활발해지면서 효율적이고 우수한 성능의 신기술로 학계와 산업계의 큰 축으로 성장하고 있습니다. 특히 영상, 비디오, 음성, 생체신호 등 여러 산업 분야에 걸친 활용성과 범용성 때문에 여러 난제를 해결함과 동시에 솔루션으로서 자리잡고 있습니다. 한국인지과학산업협회에서는 이러한 산·학·연의 기술 수요에 부응하고자 딥러닝 아키텍쳐 설계, 그리고 딥러닝 응용 기술이라는 큰 주제로 기술 교육 튜토리얼을 개최하오니 여러분의 많은 관심과 참여를 부탁 드립니다.
시 간 | 딥러닝 아키텍쳐 설계 3월 27일(금) |
딥러닝 응용 기술 3월 28일(토) |
09:00~9:30 | 등 록 | 9:30~12:30 |
Deep Learning Models 장병탁 교수 |
Deep Learning for Large Scale Visual Recognition 김준모 교수 |
12:30~14:00 | 점심시간 | |
14:00~17:00 |
Deep learning for speech recognition & NLP 김정희 수석연구원 |
Recurrent Neural Network 정교민 교수 |
장병탁 교수 (서울대학교)
머신러닝은 데이터로부터 모델(프로그램)을 자동으로 구축하는 기술로서 최근 빅데이터 시대를 맞이하여 인공지능SW를 효율적으로 개발하는 신기술로서 각광받고 있다. 특히 딥러닝은 영상, 비디오, 음성, 생체신호 등 저수준의 센서 데이터로부터 고수준의 정보를 자동으로 추출할 수 있는 능력이 있어 기존의 방법으로 풀기 어려운 industry-scale의 난제들을 해결하고 있다. 본 튜토리얼에서는 딥러닝 기술의 역사와 핵심 아이디어 및 기반 이론을 살펴본 후, 다양한 딥러닝 모델들을 큰 시각에서 살펴본다. 이를 기반으로 응용개발자 입장에서 어떤 문제해결에 어떤 딥러닝 모델이 적합한지에 대한 모델 아키텍쳐와 학습 알고리즘 선택 및 설계 기준을 논의한다.
(현) 서울대학교 컴퓨터공학부 교수 및 인지과학연구소 소장, (사)한국인지과학산업협회
(전) 독일국립정보기술연구소(GMD) Research Fellow, MIT 인공지능연구소(CSAIL), Princeton Neuroscience Institute (PNI), BMBF Cognitive Interaction Technology Center (CITEC) 등 초빙교수 역임
뇌인지과학기반 인간수준 인공지능 기술, 학습/발달/진화 머신
김정희 수석연구원 (NAVER)
Deep learning 은 음성인식 분야에서 먼저 우수성이 입증되어 서비스에 적용된 이래, computer vision 및 기계번역, 자연어 이해 분야로 그 적용 분야를 넓혀가고 있다. 본 tutorial 에서는 음성인식 및 자연어처리 분야에서 활용되고 있는 Deep learning structure 에 대해 소개하고자 한다.
(현) 네이버 수석연구원
(전) LG전자 재직
서울대 전기공학부 석사
Deep learning & pattern recognition
김준모 교수 (KAIST)
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 deep learning이 무엇이며, 왜 그동안 deep learning이 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 대규모 DB에서의 물체 인식 문제에 어떻게 활용되는지 소개한다.
(현) KAIST 전기및전자공학과 조교수
(전) MIT, EECS 박사, 삼성종합기술연구원 전문연구원
통계학적 신호처리, 영상 처리, 컴퓨터 비전, 기계학습
정교민 교수 (서울대학교)
최근 딥러닝의 한 분야인 Recurrent Neural Network (RNN)이 자연어 처리, 음성 및 필기 인식 등의 분야에서 우수한 성과를 내며 각광받고 있다. 본 강의에서는 RNN의 기본 구조와 종류 및 적용 사례에 대해 설명보고, backpropagation, real time recurrent learning 등 학습 알고리즘에 대해서 공부한다.
(현) 서울대학교 전기정보공학부 교수.
(전) KAIST 전산학과 교수. MIT 수학과 박사
머신러닝, 소셜 컴퓨팅
한국인지과학산업협회 유료 가입 회원사(2명까지) ☞ 협회 가입방법
무료 등록 예정자 (2명 까지)의 참가신청서를 작성하여 event.nacsi@gmail.com로 보내주시기 바랍니다. (참가신청서 파일 다운로드 )
개인 등록 30만원(일반/대학원생 구분 없음),
단체 등록 100만원 (기업체/대학연구실 5명까지)
개인 등록 40만원 (일반/대학원생 구분 없음). 단체등록 혜택 없음.
(3월 20일(금) 17:00 이후 적용. 행사 당일 현장 등록 시에도 적용)
3월 2일(월) 10:00 ~ 3월 20일(금) 17:00
카드 결제 또는 온라인 입금 후 확인 메일 발송
카드 결제 사이트 (클릭)에서 결제 후 참가신청서를 작성하여 event.nacsi@gmail.com로
보내주시기 바랍니다. (참가신청서 파일 다운로드 )
아래의 계좌에 등록비를 입금하신 후 참가신청서를 작성하여 event.nacsi@gmail.com로 보내주시기 바랍니다. (참가신청서 파일 다운로드 )
한국인지과학산업협회 사무국
T. 070-4106-1005, event.nacsi@gmail.com
151-744 서울특별시 관악구 관악로 1 서울대학교 관악캠퍼스 멀티미디어강의동 (83동) 305호
TEL 070-4106-1005
2호선 서울대입구역 3번 출구 관악구청방향 5511, 5512 , 5513, 5516 버스 탑승 서울대정문 or 경영대 정류장 하차 멀티미디어 83동 305호
- 평일에는 교내에 주차 공간이 항상 부족하오니 가급적 대중교통을 이용해 주시기 바랍니다.
- 자가용 이용시 1일(8시간) 주차비 3천원(현금만 가능)은 본인 부담입니다.
- 부득이 자가용 이용시 83동 주변 순환도로변에 주차하시기 바랍니다.
- 83동 뒷편 주차장(그림에 P 표시)은 외부인 주차가 제한됩니다.