장소:	서울대학교 제1공학관 301동 118호
	일시:	2012년 2월 23일(목) - 25일(토)
	주관:	서울대학교
	주최:	한국정보과학회 컴퓨터지능소사이어티, 언어공학연구회
	후원:	대한전자공학회 컴퓨터소사이어티 인공지능/신경망/퍼지연구회
		지능시스템학회
		IEEE Seoul Section

Day 1: 2월 23일
09:00 - 10:50	패턴인식/기계학습 개요 김진형 교수 KAIST
11:00 - 12:50	MLP와 SVM의 원리와 응용 오일석 교수 전북대학교
13:00 - 14:00	점심시간
14:00 - 15:50	지도학습(Supervised Learning) 노영균 박사 서울대학교
16:00 - 17:50	문자인식 응용 하진영 교수 강원대학교

Day 2: 2월 24일
09:00 - 10:50	준지도학습(Semi-Supervised Learning) 신현정 교수 아주대학교
11:00 - 12:50	비지도학습(Unsupervised Learning) 최승진 교수 POSTECH
13:00 - 14:00	점심시간
14:00 - 15:50	강화학습(Reinforcement Learning) 김기응 교수 KAIST
16:00 - 17:50	컴퓨터게임 응용 김경중 교수 세종대학교

Day 3: 2월 25일
09:00 - 10:50	베이지안 학습(Recursive Bayesian Estimation) 한보형 교수 POSTECH
11:00 - 12:50	계산언어 응용(Human Language Technology) 이근배 교수 POSTECH

Tutorial 1: 패턴인식/기계학습 개요

강사:

김진형 교수, KAIST

내용:

패턴인식의 기본 개념과 기법 및 가능한 응용을 전반적으로 소개하여 전체 강좌의 개요를 소개한다.

약력:

1971: 서울대학교 공학사 1979: University of California Los Angeles 전산학석사 1983: University of California Los Angeles 전산학박사 1985-현재: KAIST 전산학과 및 소프트웨어대학원 교수 1995-1998: 연구개발센터(현, 과학기술정보원) 소장 2003: KAIST 소프트웨어대학원 초대 책임교수 한국정보과학회 회장, 한국인지과학회 회장 역임 현재: 남북IT교류협력본부 회장         국가정보화추진위원회 지식자원전문위원회 위원장         국가DB포럼 공동의장

Tutorial 2: MLP와 SVM의 원리와 응용

강사:

오일석 교수, 전북대학교

내용:

분류(classification)는 패턴인식의 핵심 주제이다. 현재 널리 쓰이고 있는 분류 알고리즘인 MLP와 SVM의 기본 원리, 학습 알고리즘, 그리고 구현시 유념해야할 몇 가지 가이드라인을 공부한다. 필기 숫자를 인식하는 응용 사례와 자동차 번호판에서 추출한 문자를 인식하는 응용 사례를 소개한다.

약력:

1992.9-현재: 전북대학교 컴퓨터공학부 교수 1996.7-1997.6, 1998.12-1999.1, 2000.6-7: 캐나다 Concordia대학 방문과학자 2004.1-2004.12: 한국정보과학회 논문지(SA) 편집위원장 2005.1-2006.12: 한국정보과학회 컴퓨터비전 및 패턴인식연구회 운영위원장 2006.9-2007.12: 한국콘텐츠학회 논문지 편집위원장 2011.2: 제5회 컴퓨터비전및패턴인식 겨울학교 조직위원장

Tutorial 3: 지도학습(Supervised Learning)

강사:

노영균 박사, 서울대학교

내용:

본 강의는 지도학습(supervised learning)과 관련된 본질적인 문제들에 대한 이해를 목표로 한다. 지도 학습을 위해 많은 복잡하고 잘 만들어진 알고리즘들이 나오고 있지만, 실제 데이터를 가지고 문제를 풀 때는 여러 가지 이유로 단순한 알고리즘들이 복잡한 최신 알고리즘들을 능가할 때가 많이 있다. 이 강의에서는 지도학습, 특별히 분류 문제를 다루는데 있어서 어떤 알고리즘을 선택해야 하는지에 대한 문제와 함께, 알고리즘들의 비교연구에서 나오는 지도학습 알고리즘들의 공통적인 특성을 이야기한다. 내용은 데이터의 표현(Representation), 귀납 편향(Inductive bias), 가설공간(Hypothesis space), 그리고 일반화 능력(generalization ability)에 대한 개론적 설명을 포함하고, 생성모델(Generative model)과 판별모델(Discriminative model)의 비교연구를 비롯한 알고리즘간의 특성과 관계를 설명한다.

약력:

2007.8-현재: 펜실베니아 대학 전자시스템공학과 방문연구원 2011.8: 서울대학교 인지과학 협동과정 컴퓨터공학 박사 2011.9-현재: 서울대학교 정밀기계공동연구소 선임연구원

Tutorial 4: 문자인식 응용

강사:

하진영 교수, 강원대학교

내용:

본 강좌는 문자 인식의 기본 원리부터 주요 방법론과 활용 분야에 대해 소개한다. 문자 인식은 문자 데이터의 획득 방법에 따라 온라인 인식과 오프라인 인식으로 나누고, 오프라인 인식은 다시 필기 인식, 문서 인식, 자연 영상 인식 등으로 나눌 수 있다. 문서 인식의 경우 문서 구조 해석, 문단 추출, 행 추출, 단어 및 글자 추출 등의 단계를 거쳐 문자 인식이 이루어지고, 문자 인식과 동시에 혹은 후에 언어정보를 활용한 후처리를 수행한다. 문자 인식의 주요 방법론으로는 통계적 인식 방법, 인공신경망, 구조적 인식 방법이 있다. 이러한 방법론에 대해 간략히 소개하고 장단점을 분석한다. 온라인과 오프라인 문자 인식의 다양한 활용 방안을 구체적 예를 들어 소개하고, 문자 인식 연구의 향후 연구 방향을 제시한다.

약력:

1987: 서울대학교 컴퓨터공학 학사 1989: KAIST 전산학 석사 1994: KAIST 전산학 박사 1994-1997: ㈜핸디소프트 기술연구소 책임연구원 1997-현재: 강원대학교 컴퓨터학부 교수 2000-2001: IBM T.J. Watson Research Center 방문연구원

Tutorial 5: 준지도학습(Semi-Supervised Learning)

강사:

신현정 교수, 아주대학교

내용:

기존의 학습 패러다임은 레이블(label)이 있는 데이터를 학습하는 지도학습과 레이블 되지 않은 데이터 (unlabled)를 활용하는 비지도학습으로 양분되어 있었다고 볼 수 있다. 그러나 근래에 다양한 분야에서 엄청난 속도로 생성되고 있는 데이터는 그 양은 많으나 그에 비해 각 레코드에 대한 레이블링이 제대로 되어 있지 않다. 레이블링은 많은 비용과 시간, 전문성을 요구하는 작업이다. 본 강좌에서는 레이블이 된 데이터와 레이블 되지 않은 데이터를 혼용하여 학습하는 새로운 학습 패러다임인 Semi-Supervised Learning (SSL)를 소개한다.

약력:

2004: 서울대학교 산업공학과 공학박사 2004-2005: Max-Planck-InstituteforBiologicalCybernetics연구원 2005-2006: Max-Planck-InstituteFriedrich-Miescher연구소 연구원 2006: 서울대학교 의과대학 연구교수 2006-현재: 아주대학교 산업정보시스템공학부 부교수

Tutorial 6: Unsupervised Learning: Latent Variable Models and EM

강사:

최승진 교수, POSTECH

내용:

Unsupervised learning refers to methods for finding hidden structure in unlabeled data. Clustering and dimensionality reduction are well-known examples. In this lecture, I will present an important statistical model, known as “latent variable model”, which includes mixture of Gaussians (MoG), maximum likelihood factor analysis (FA), principal component analysis (PCA), independent component analysis (ICA), and mixture of factor analyzers (MFA). I will also describe expectation maximization (EM) which is a big hammer we count on to estimate model parameters in aforementioned models. This lecture will focus on underlying idea of EM and probabilistic models for clustering and dimensionality reduction. This will provide a good foundation which allows you to jump into the world of probabilistic models for machine learning.

약력:

1996.8: Ph.D. in EE, University of Notre Dame, USA 1997.1-8: Frontier Researcher in RIKEN, Japan 1997.8-2001.2: Assistant Professor of EE in Chungbuk National University 2001.2-present: Professor of Computer Science in POSTECH

Tutorial 7: 강화학습(Reinforcement Learning)

강사:

김기응 교수, KAIST

내용:

본 강의는 기계학습의 분야인 강화학습(reinforcement learning)을 다룬다. 비교적 널리 알려져있는 패턴인식과 같은 문제들과 달리, 강화학습에서는 기계가 지능적으로 판단하고 행동하는 문제들을 다룬다. 강화학습의 중요 모델인 마코프 의사결정과정(Markov decision process; MDP)과 부분관찰 마코프 의사결정(Partially observable Markov decision process; POMDP)에 대하여 논의하고, 이 모델들과 관련된 기본적인 알고리즘과 동작원리를 배운다. 그 다음 강화학습의 성배라고 부를 수 있는 베이지안 강화학습(Bayesian reinforcement learning)에 대하여 논의하고, 시간이 허락되면 강화학습의 전통적 문제 정의가 변형된 역강화학습(inverse reinforcement learning)과 도제학습(apprenticeship learning)에 대하여 배운다.

약력:

2001.6: Brown University Computer Science 박사 2001.9-2004.2: 삼성SDS 책임연구원 2004.2-2006.7: 삼성종합기술원 전문연구원 2006-현재: KAIST 전산학과 조교수

Tutorial 8: 컴퓨터게임 응용

강사:

김경중 교수, 세종대학교

내용:

본 강좌의 주제는 게임을 위한 패턴인식 및 기계학습 기술을 소개하는 것이다. 구체적으로, 게임관련 국제학술대회에서 진행하고 있는 Car Racing, Ms. PacMan, StarCraft, Unreal Tournament 인공지능 경진대회를 중심으로 소개한다. 경진대회의 기본적인 규칙과 참가팀 및 우승자가 사용한 기술 등을 소개하며, 패턴인식 및 기계학습 기술의 활용가능성을 살펴본다.

약력:

2007.2: 연세대학교 컴퓨터과학과 박사 2007.7-2009.2: Cornell University 박사후 연구원 2009.3-현재: 세종대학교 컴퓨터공학과 전임강사 및 조교수

Tutorial 9: Recursive Bayesian Estimation

강사:

한보형 교수, POSTECH

내용:

온라인으로 주어지는 시계열 데이터를 이용하여 관찰되지 않는 다양한 정보를 추정하는 방법론으로 빈번히 사용되고 있는 Sequential Bayesian Filtering의 종류와 특징, 그리고 한계 및 응용에 대하여 논의한다. 가장 간단한 모델에 기반한 Kalman Filter를 비롯하여 이를 확장한 Extended Kalman Filter, Unscented Kalman Filter 등에 대해 살펴보고, 보다 일반적이고 복잡한 모델에 대하여 Monte Carlo 방법으로 추정하는 Particle Filter에 대해 심도있게 다룬다. 본 강좌의 원활한 수강을 위해서는 학부 수준의 선형대수 및 확률/통계 지식이 필요하고, Bayesian Statistics나 Graphical Model에 관한 기본 지식이 유용할 것이다.

약력:

1997: B.S. in Computer Engineering, Seoul National University 2000: M.S. in Computer Engineering, Seoul National University 2005: Ph.D. in Computer Science, University of Maryland at College Park 2008-2009: Researcher, Mobileye Vision Technologies, NJ, USA 2010-present: Assistant Professor, Dept. of Computer Science and Engineering, POSTECH

Tutorial 10: Human Language Technology

강사:

이근배 교수, POSTECH

내용:

본 강좌의 주제는 인간의 언어처리에 관한 전반적인 내용을 다룬다. 형태소분석, 태깅, 구문분석등의 자연어처리의 기본적인 기술에서 시작하여 요즘 애플 시리때문에 많이 알려진 음성대화 처리 기술, 구글및 여러 회사에서 상용화하고 있는 다국어 통계적 기계번역 기술, 그리고 정보검색 기술까지 인간언어처리에 관련된 3대 기술의 내용과 연관성을 배운다. 원활한 수강을 위해서는 확률통계의 기본 지식을 알고 있으면 좋다.

약력:

1991.3: UCLA 전산학과 전산학박사 1991.9-현재: 포항공대 컴퓨터공학과 교수 2000.3-2001.8 DiQuest CTO/co-founder 2000.9-2001.8: Stanford 대학 연구교수

                           (정보과학회 회원/비회원 등록비 동일)

등 록 방 법:

• 카드 결제: 사전등록 사이트
  카드 결제 후: ymyi@bi.snu.ac.kr 로 확인 메일을 보내주시기 바랍니다.
   
• 온라인 입금: 아래의 계좌번호에 등록비를 입금하신 후 ymyi@bi.snu.ac.kr로 확인 메일을 보내주시기 바랍니다.

• 은행:농협중앙회
• 계좌번호: 302-0880-1847-41
• 예금주: 장병탁

기 타:

• 사전등록 일정은 2월 20일까지입니다!
• 등록하신 분들께는 2월23일과 24일 중식 제공됩니다.
• 당일 주차 할인권 구입 가능합니다.
  1000원권(4시간용), 2000원권(8시간용), 4000원권(1일)

서울대학교 오시는 방법    학내에서 제1공학관 301동 오시는 방법    (경영/공과/농생대 탭의 제1공학관 301동을 클릭하세요.)
Last update: February 20, 2012