🌍 Hello World :D

ㅇ 교수 : 서울대학교 이상학 교수 ㅇ 학습목표 본 모듈은 인과성에 대해 추론하고 경험적 데이터를 사용하여 인과 관계를 결정하는 방법을 익힘으로써 데이터를 생성한 프로세스에 대해 만들어야 하는 필수 가정과 이러한 가정이 합리적인지 평가하는 방법, 마지막으로 추정되는 양을 해석하는 방법에 대해 학습하고자 합니다. Part 1. 인과성에 대한 소개 및 인과적 추론을 위한 기본 개념 - causal discovery : 데이터로부터 인과효과와 인과관계를 계산 - 데이터는 상관성만 가지고 있는데, 우리가 알고자 하는 것은 인과효과이다. - 이번 강의는 인과효과를 계산하기 위한 기본적 프레임워크, 인과효과를 계산하는 방법론, 인과적 관점으로 문제를 바라보는 방법에 대해 알 수 있다. - 베이지안 네트워크에 대한 ..

ㅇ 교수 : 이화여자대학교 강제원 교수 ㅇ 학습목표 Machine Learning의 한 부류인 지도학습(Supervised Learning)에 대한 기본 개념과 regression/classification의 목적 및 차이점에 대해 이해하고, 다양한 모델 및 방법론(linear and nonlinear regression, classification, ensemble methods, kernel methods 등)을 통해 언제 어떤 모델을 사용해야 하는지, 왜 사용하는지, 모델 성능을 향상시키는 방법을 학습하게 됩니다. Part 1. SL Foundation - 지도학습 : 분류 / 회귀 가 있음 - error를 계산해서 손실함수 loss function cost function으로 부름 - square..

ㅇ 교수 : 서울대학교 김건희 ㅇ 학습목표 : 본 모듈은 Machine Learning의 기본 개념에 대한 학습 과정입니다. ML이란 무엇인지, Overfitting과 Underfitting의 개념, 최근 많은 관심을 받고 있는 초거대 언어모델에 대해 학습하게 됩니다. Part 1. Introduction to Machine Learning - 기계학습 : 인공지능의 한 분야 (인공지능-기계학습-딥러닝: 기계학습 중 신경망 레이어가 많은 분야) - 허버트 사이먼 : 의사결정에 관련된 연구 / 아서 사무엘 : Game Tree 알파-베타 prunning, 체스프로그램 - Tom Mitchell's definition : Task(어떤 작업), Performance Measure(성능 지표), Experie..

ㅇ 교수 : KAIST 신진우 교수 ㅇ 학습목표 본 모듈은 AI기술을 이해하기 위한 바탕이 되는 수학적 지식을 학습하기 위한 과정입니다. 이에 관하여 행렬 분해, 블록 최적화, 주성분 분석 등 데이터를 다루기 위한 방법을 학습하게 됩니다. 공부내용: Part 1. Matrix Decomposition - 행렬 관계: det(AB) = det(A)det(B)곱셈 / Trace / Eigenvalue&Eigenvector / Diagonal Part 2. Convex Optimization Part 3. PCA 주성분분석 - 데이터 축소 알고리즘

공부내용 : Part 1. 데이터 분석과 AI학습에서 유의할 점 Part 2. AI Ethics - 일본 훗카이도 대학의 인공지능이 쓴 소설이 예선 통과 - 인공지능 법인격의 장단점 (간단한 책임의 문제가 손쉽게 해결 vs 법적 처벌의 도피로 악용) - Moral Machine experiment : 트롤리 문제 - 로봇을 학대하지 않을 권리 Part 3. 세계적인 데이터 과학자가 되는 방법 - 가짜 뉴스 탐지 기술 - 위성영상 딥러닝 분석 -> 빈곤지역 예측 및 녹지 계산(행복지수 연구) 배운점: 인공지능 개발자로서 윤리문제에 대해 더 생각을 많이 하게되었다.