Slide 1
|
|
|
- 준용 국
- 5 years ago
- Views:
Transcription
1 딥러닝 (Deep Learning) 변경원
2 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 2
3 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 3
4 딥러닝이란무엇인가? 딥러닝과인공지능 딥러닝은세상을이해하고감지하는인공지능을개발하는데가장촉망받는기술이되고있음. 최근에는여러가지인지능력프로젝트에집중되고있고수많은성공사례들이발표되고있음. 인터넷포탈회사들이 ( 구글, 바이두, 페이스북 ) 가장앞서서개발을하고있으며 GPU 를사용한다양한딥러닝연구들과성과들이적용되고있음. 4
5 딥러닝이란무엇인가? 적용가능한딥러닝예제들 이미지분야 언어응용 이미지분류, 물체감지, 위치와움직임인식, 장면이해 음석인식, 음성번역, 자연어처리 자동차응용 의학응용 보행자감지, 교통신호및표지판인식 유방암조직체세포분열감지, 체적의뇌이미지분할 5
6 딥러닝이란무엇인가? 인공지능을구성하기위한인공신경망 (ANN, Artificial Neural Networks) 에기반하여컴퓨터에게사람의사고방식을가르치는방법. 사람이가르치지않아도컴퓨터가스스로사람처럼학습할수있는인공지능기술. 6
7 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 7
8 인공지능이란무엇인가? 지능적기계특히지능적컴퓨터프로그램을만드는과학과공학이다. 컴퓨터 (Computer) 를사용해서인간지능 (Intelligence) 을이해하는작업들과관련되어있으며생물학적인방법에만국한되지는않는다. 8
9 인공지능이란무엇인가? 딥러닝 표현학습 * 머신러닝 인공지능 * 표현학습 : 기계가데이터로부터유용한정보를추출하는방법을연구하는분야 9
10 10 출처 :
11 머신러닝이란무엇인가? 컴퓨터에게사람이직접로직 (Logic) 을지시하지않아도데이터를통해컴퓨터가 학습 을하고그것을사용해컴퓨터가자동으로문제를해결하도록하는것을의미한다. 머신러닝은기계학습으로사용됨. 11
12 머신러닝이란무엇인가? 머신러닝 지도학습 (Supervised Learning) 비지도학습 (Unsupervised Learning) 분류 (Classification) 회귀 (Regression) 군집 (Clustering) 12
13 머신러닝이란무엇인가? 머신러닝 가르쳐주는학습 (Supervised Learning) 자율학습 (Unsupervised Learning) 분류 (Classification) 회귀 (Regression) 군집 (Clustering) 13
14 꽃 타블렛 레몬과얼음물이들어있는컵 지도학습 (Supervised learning) 비지도학습 (Unsupervised learning) 커피컵 아침식사가차려진식탁 어떤사람이식탁에앉아있음 14
15 머신러닝이란무엇인가? 가르쳐주는학습 (Supervised Learning) 15
16 머신러닝이란무엇인가? 자율학습 (Unsupervised Learning) 16
17 머신러닝이란무엇인가? 자율학습 (Unsupervised Learning) 17
18 인공지능이란무엇인가? 18
19 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 19
20 딥러닝은왜필요한가? 기존머신러닝관점 원본데이타특징추출분류기결과 SVM, shallow neural net, HMM, shallow neural net, 말하는사람의신분, 음성을문자로 Clustering, HMM, LDA, LSA 준제분류, 번역, 내포된의미분석 20
21 딥러닝은왜필요한가? 딥러닝 훈련 강아지 분류기 강아지 (O) 21
22 딥러닝은왜필요한가? 딥러닝 훈련 강아지 분류기 강아지 (O) 고양이 분류기 고양이 (O) 22
23 딥러닝은왜필요한가? 딥러닝 훈련 강아지 분류기 강아지 (O) 고양이 분류기 고양이 (O) 고래 분류기 상어 (X)!!!!!! 23
24 딥러닝은왜필요한가? 딥러닝 반복교육 훈련 고래 분류기 상어 (X) 24
25 딥러닝은왜필요한가? 딥러닝 반복교육 훈련 고래 분류기 상어 (X) 반복교육 고래 분류기 고래 (O) 25
26 딥러닝은왜필요한가? 딥러닝 훈련완료 강아지 분류기 강아지 (O) 고양이 분류기 고양이 (O) 고래 분류기 고래 (O) 26
27 딥러닝은왜필요한가? 딥러닝 테스트 분류기 강아지 (O) 임의의사진입력 27
28 딥러닝은왜필요한가? 딥러닝 훈련 아이유 분류기 아이유 (O) 혜리 분류기 혜리 (O) 황정음 분류기 하니 (X)!!!!!! 28
29 딥러닝은왜필요한가? 딥러닝 훈련 반복교육 황정음 분류기하니 (X)!!!!!! 29
30 딥러닝은왜필요한가? 딥러닝 훈련 반복교육 황정음 분류기하니 (X)!!!!!! 반복교육 황정음 분류기 황정음 (O) 30
31 딥러닝은왜필요한가? 딥러닝 테스트 임의의사진입력 분류기 아이유 (O) 황정음 (O) 혜리 (O) 31
32 딥러닝은왜필요한가? 딥러닝 32 출처
33 33 출처
34 34 출처
35 딥러닝은왜필요한가? 딥러닝 35 출처
36 딥러닝은왜필요한가? 딥러닝이사용되는사례 입력 출력 사진 강아지 음성 안녕하세요환영합니다 문자 " 안녕하세요. 어떻게지내세요?" "Bonjour, comment allez-vous?" 사진 조그만아이가인형을안고자고있어요 36
37 딥러닝은왜필요한가? 신경망 (ANN)* 시냅스의결합으로네트워크를형성한인공뉴런 ( 노드 ) 이학습을통해시냅스의결합세기를변화시켜, 문제해결능력을가지는모델전반 생물학적뉴런 37 *ANN : Artificial Neural Network
38 딥러닝은왜필요한가? 신경망 (ANN)* 시냅스의결합으로네트워크를형성한인공뉴런 ( 노드 ) 이학습을통해시냅스의결합세기를변화시켜, 문제해결능력을가지는모델전반 생물학적뉴런 Y = ax + b **w : 가중치 (weight) 38 *ANN : Artificial Neural Network
39 딥러닝은왜필요한가? 신경망 (ANN)* 시냅스의결합으로네트워크를형성한인공뉴런 ( 노드 ) 이학습을통해시냅스의결합세기를변화시켜, 문제해결능력을가지는모델전반 생물학적뉴런 인공신경 y **w 1 w 2 w 3 x 1 x 2 x 3 y=f(w 1 x 1 +w 2 x 2 +w 3 x 3 ) F(x)=max(0,x) **w : 가중치 (weight) 39 *ANN : Artificial Neural Network
40 딥러닝은왜필요한가? 신경망 (ANN)* 숨겨진단계 ( 영역 ) 들 입력단계 출력단계 충분히훈련이된인공신경망은내부의복잡한기능들을통해서출력을예측할수있음. 40
41 딥러닝은왜필요한가? 심층신경망 (DNN)* 원본데이터하위레벨특징들중간레벨특징들상위레벨특징들 어플리케이션구성 : 목적 : Identify face 훈련데이터 M images 망아키텍처 ~10 층 1B 매개변수훈련알고리즘 ~30 Exaflops ~30 일 GPU 입력 결과 *DNN : Deep Neural Network (exa : 백경 ), (peta : 천조 ), (tera : 조 ), 10 9 (giga : 십억 ) 41
42 딥러닝은왜필요한가? 특징표현방법 과거 : 입력 사진, 문자, 음성, 기타 수작업을통한특징추출 분류 / 통합 / 변화 연산자 출력 결과값 42
43 딥러닝은왜필요한가? 특징표현방법 과거 : 입력 사진, 문자, 음성, 기타 수작업을통한특징추출 분류 / 통합 / 변화 연산자 출력 결과값 현재 : 입력사진, 문자, 음성, 기타 하위단계구조 딥러닝 심층아키텍처를통한특징추출 중간단계구조 상위단계구조 분류 / 통합 / 변화 연산자 출력 결과값 계층형특징표현 이미지인식화소 모서리 물제의일부분 물체 문자인식글자 단어 구절 문장 음성인식스펙트럴대역 단음 음소 단어 43
44 딥러닝은왜필요한가? 충분히많은데이터를가지고반복적인학습을통해올바른결론을도출해내기위해 44
45 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 45
46 딥러닝은어떤역할을하는가? 나선구조적인신경망 (CNN)* 완전연결단계 예 : 200 x 200 이미지구성단위 : 40,000 매개변수 : ~ 20 억 - 공간상관관계 - 자원의낭비 + 충분히훈련이되지못함 *CNN : Convolutional Neural Network 46 출처 :
47 딥러닝은어떤역할을하는가? 나선구조적인신경망 (CNN)* 예 : 200 x 200 이미지구성단위 : 40,000 필터사이즈 : 10 x 10 매개변수 : 4M *CNN : Convolutional Neural Network 47 출처 :
48 딥러닝은어떤역할을하는가? 나선구조적인신경망 (CNN)* 예 : 200 x 200 이미지구성단위 : 40,000 필터사이즈 : 10 x 10 매개변수 : 4M *CNN : Convolutional Neural Network 48 출처 :
49 딥러닝은어떤역할을하는가? 나선구조적인신경망 (CNN)* 인접영역과매개변수를공유 *CNN : Convolutional Neural Network 49 출처 :
50 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 50 출처 :
51 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 51 출처 :
52 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 52 출처 :
53 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 53 출처 :
54 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 54 출처 :
55 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 55 출처 :
56 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 56 출처 :
57 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 57 출처 :
58 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 58 출처 :
59 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 59 출처 :
60 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 60 출처 :
61 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 61 출처 :
62 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 62 출처 :
63 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 63 출처 :
64 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 64 출처 :
65 딥러닝은왜필요한가? 나선구조적인층 (Convolutional Layer) 65 출처 :
66 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 66 출처 :
67 딥러닝은어떤역할을하는가? 나선구조적인층 (Convolutional Layer) 다중필터예 : 200 x 200 이미지필터 : 100 개, size : 10 x 10 매개변수 : 10K 67 출처 :
68 딥러닝은어떤역할을하는가? 최대값모으기 (Max Pooling) 검은색원 ( 예 : 3x3 필터라면 ) 에서단일 3x3 의데이터를얻기위해샘플링을함. 방법 : 평균값, 선형조합값, 최대값. 68 출처 :
69 딥러닝은어떤역할을하는가? 대비 ( 차이 ) 정형화작업 69 출처 :
70 딥러닝은어떤역할을하는가? 대비 ( 차이 ) 정형화작업 70 출처 :
71 딥러닝은어떤역할을하는가? 충분히많은데이터를가지고반복적인학습을통해효율적으로올바른결론을도출해내기위한과정 71
72 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 72
73 딥러닝은어떻게만들어야하는가? 나선구조적인신경망 (CNN)* 인간의시각령과같이매우탁월함 시각특징의계층적구조가짐 지역화소특징들은크기와변형의변화가없음. 시각적으로물체의본질과일반화가잘맞음 73 *CNN : Convolutional Neural Network
74 딥러닝은어떻게만들어야하는가? 나선구조적인신경망 (CNN)* 74 *CNN : Convolutional Neural Network
75 딥러닝은어떻게만들어야하는가? Y. LeCun et al : Handwritten digit reading 75
76 딥러닝은어떻게만들어야하는가? A. Krizhevsky, G. Hinton et al : Imagenet classification winner 76 *CNN : Convolutional Neural Network
77 Alexnet 이란? 나선형신경망 (CNN) 을이용하여깊은신경망 (Deep Neural Network) 구현 -. GTX580 3GB 2 개사용 -. 8 개의 Layer 구성 -. 트레이닝시간 : 5 ~ 6 일소요 -. 필요한계산양이단일 CPU 만으로불가능에가깝도록커짐 Dropout Layer Classifier Layer CNN : Convolutional Neural Network 77 원문 :
78 딥러닝의획기적인도약 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% Traditional CV IMAGENET Accuracy Rate Deep Learning -. IMAGENET : 1000 개의카테고리와 100 만개의이미지로구성되어정확도를겨루는대회 년 IMAGENET 정확도 84.7% 도달 ( 알렉스 : 딥러닝이용 ) 획기적인사건 : 10 여년동안 75% 를넘는정확도를보이지못함이후의대부분의참가자들이딥러닝을사용 알렉스딥러닝에러율 0%
79 Alex Krizhevsky 는누구? -. IMAGENET CHALLENGE 에서딥러닝을직접구현 -. 마의벽 80% 정확도를극복 -. 소스코드공개 -. 딥러닝의붐업을이끔 스탠포드딥러닝튜토리얼 : 딥러닝대표기술저자중의한명으로선정 Ilya Sutskever Alex Krizhevsky Geoffrey Hinton 79
80 딥러닝은어떻게만들어야하는가? Google net 80
81 딥러닝은어떻게만들어야하는가? Google net 81
82 딥러닝은어떻게만들어야하는가? MSRA 2015 Imagenet Chanllenge(152 Layer) 82
83 딥러닝은어떻게만들어야하는가? MSRA 2015 Imagenet Chanllenge 83
84 딥러닝은어떻게만들어야하는가? 충분히많은데이터를가지고반복적인학습을통해효율적으로올바른결론을도출해내기위한시스템설계 85
85 86 출처 :
86 왜딥러닝이떠올랐는가? 87
87 왜 딥러닝이 떠 올랐는가? 빅 데이터 매일 350 백만개의 이미지업로드 시간당 2.5 Petabytes 고객데이터 생성 매분당 150시간의 비디오들이 업로드 88
88 왜 딥러닝이 떠 올랐는가? 빅 데이터 새로운 딥러닝 기술 매일 350 백만개의 이미지업로드 시간당 2.5 Petabytes 고객데이터 생성 매분당 150시간의 비디오들이 업로드 89
89 왜 딥러닝이 떠 올랐는가? 빅 데이터 새로운 딥러닝 기술 GPU 가속 매일 350 백만개의 이미지업로드 시간당 2.5 Petabytes 고객데이터 생성 매분당 100시간의 비디오들이 업로드 90
90 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 91
91 GPU 의역할 Image Recognition Challenge 1.2M training images 1000 물체들의범주 92
92 Google Brain CPU 서버 1,000 대 스탠포드대인공지능랩 GPU 서버 3 대 16,000 코어 18,432 코어 50 억원 3 천 3 백만원 60 만와트 4 천와트 93
93 GPU 의역할왜딥러닝에 GPU 가좋을까? GPU 의장점 - 예측정확도가같거나더좋음 - 빠른결과 - 차지하는공간이작음. - 저전력 - 저비용 94
94 GPU 의역할 GPU vs CPU 비교 Batch 사이즈 훈련시간 CPU 훈련시간 GPU GPU 가속능력 64 images 64 초 7.5 초 8.5 배 128 images 124 초 14.5 초 8.5 배 256 images 257 초 28.5 초 9.0 배 ILSVRC12 winning model: Supervision 7 layers 5 convolutional layers + 2 fully-connected ReLU, pooling, drop-out, response normalization Implemented with Caffe Training time is for 20 iterations Dual 10-core Ivy Bridge CPUs 1 Tesla K40 GPU(2880 core) CPU times utilized Intel MKL BLAS library GPU acceleration from CUDA matrix libraries (cublas) 95
95 GPU 의역할 GPU vs CPU 비교 96 출처 :
96 GPU 의역할엔비디아가지원하는딥러닝요소들 음성이해이미지분석언어처리 사용자어플리케이션들 DIGITS GPU 딥러닝가속되는프레임딥러닝 ( 산업프레임웍표준, 연구 (Caffe, / 개발 Torch, 프레임웍들 Theano) ) 최적의라이브러리성능을( 연산처리에낼수있는집중된라이브러리각종의 (cudnn, 라이브러리 cublas) ) 시스템 CUDA-소프트웨어최고의병렬( 각프로그램 OS별드라이버툴킷) GPU- 세계최고의하드웨어딥러닝하드웨어 97
97 GPU 의역할 GPU 가속딥러닝프레임웍의종류 (Tensorflow, CNTK) CAFFE TORCH THEANO MINERVA KALDI Domain Deep Learning Framework Scientific Computing Framework Math Expression Compiler Deep Learning Framework Speech Recognition Toolkit cudnn Multi-GPU via DIGITS 2 In Progress In Progress (nnet2) Multi-Node (nnet2) License BSD-2 GPL BSD Apache 2.0 Apache 2.0 Interface(s) Command line, Python, MATLAB Lua, Python, MATLAB Python C++ C++, Shell scripts Embedded (TK1) 사용예 머신비전 구글, 트위터, 페이스북 다차원배열라이브러리 음성인식 98
98 GPU 의역할 EDUCATION TENSORFLOW WATSON CNTK TORCH CAFFE THEANO MATCONVNET MOCHA.JL PURINE START-UPS CHAINER DL4J KERAS OPENDEEP MINERVA MXNET* SCHULTS LABORATORIES VITRUVIAN NVIDIA GPU PLATFORM *U. Washington, CMU, Stanford, TuSimple, NYU, Microsoft, U. Alberta, MIT, NYU Shanghai 99
99 GPU 의역할 100
100 GPU 의역할 딥러닝을위한엔비디아솔루션 DIGITS DevBox 4 개의 TITAN X GPU 7TFlops 단일정밀도 GB/s 메모리대역 12GB Ubuntu w/caffe, Torch, Theano, cudnn v4, CUDA 7.5 DIGITS NVIDIA Deep Learning GPU Training System (DIGITS) 101
101 GPU 의역할 딥러닝을위한엔비디아솔루션 NVIDIA DGX-1 World s First Deep Learning Supercomputer Engineered for deep learning 170 TF FP16 8x Tesla P100 in hybrid cube mesh Accelerates major AI frameworks 1.33 billion images/day 102
102 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 103
103 딥러닝의기여 딥러닝의전체흐름도 104
104 딥러닝의기여구글무인차 105
105 딥러닝의기여예술작품스타일인식과모방 106
106 강화학습다양한게임 Google DeepMind 107
107 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 108
108 이세돌 vs 알파고비교 데뷔시기 ( 나이 ) 1988 년 (33 세 ) 2015 년 (2 세 ) 프로경력 21 년 ( 우승 47 회 ) 1 년 ( 우승 1 회 ) (2016 딥마인트첼린즈매치 ) 단위 ( 段位 ) 9단 2 ~ 5단 ( 자체추정 ) 경험치 10,000경기 100,000경기 트레이닝 30,000시간 30,000시간 (GPU) 검색파워 100 위치 / 초 100,000 위치 / 초 컴퓨팅파워본인두뇌 100 GPUs 109
109 알파고 (AlphaGo) 컴퓨팅파워비교 상대자 Fan Hui( 유럽챔피언 ) 이세돌 시합일자 ~ ~ 15 대국수 5 (5:0 알파고승 ) 5 (4:1 알파고승 ) 트레이닝 GPU : 50개 GPU : 100개 경기 CPU : 1202 개 GPU : 176 개 CPU : 1920 개 GPU : 280 개 KGS 6 ~ 9 단의 160,000 경기로부터 29,400,000 위치정보를뽑아서학습 110
110 알파고 (AlphaGo) 의구조와성능 구분탐색쓰레드 CPUs GPUs Elo rating * 단일 (Single) 분산 탐색쓰레드 CPU 의역할 GPU 의역할 쓰레드개수만큼바둑의경기경로를탐색 CPU 한개당 1 초에 1000 회이상의시뮬레이션 (Fast rollout 방법 ) 딥러닝을사용하여바둑판상태의승률과다음착수예측 * Elo rating : 게임플레이어간의실력을상대적으로나타낸것으로, 단일 / 분산 AlphaGo의 Elo rating을측정하기위하여기존인공지능프로그램과대결하여산출 111
111 알파고 (AlphaGo) 의구조와성능 인공지능바둑프로그램 버전착수시간설정 CPUs GPUs KGS 랭크 Elo rating 분산 AlphaGo 5 초 AlphaGo 5 초 CrazyStone 초 32-6d 1929 Zen 5 5 초 8-6d 1888 Pachi 초 (400,000sims) 16-2d 1298 Fuego svn 초 (100,000sims) GnuGo 초 (level10) 1-5k 431 CrazyStone 4 4 접바둑 5 초 Zen 4 4 접바둑 5 초 Pachi 4 4 접바둑 5 초 (400,000sims) 프로 (p), 아마추어단 (d), 아마추어급 (k)
112 알파고 (AlphaGo) 수준 113
113 AlphaGo 가바둑을선택한이유 가지의경우수존재 바둑규칙을고려한평균경우수 250 개, 바둑평균약 150 수정도, 우주의원자수 : 현존하는컴퓨팅파워로는경우수를모두파악하기어려움 경우의수 ( 트리탐색 ) 를줄이는방법이관건 114
114 체스탐색트리 115
115 바둑탐색트리 116
116 AlphaGo 트레이닝딥러닝 Human expert Data (100K games) 117
117 AlphaGo 트레이닝딥러닝 Human expert Data (100K games) Supervised Learning Policy network Classification 118
118 AlphaGo 트레이닝딥러닝 Human expert Data (100K games) Supervised Learning Policy network Reinforcement Learning Policy network Classification Self Play 119
119 AlphaGo 트레이닝딥러닝 Human expert Data (100K games) Supervised Learning Policy network Reinforcement Learning Policy network Generates New Data (30M Positions) Classification Self Play Self Play 120
120 AlphaGo 트레이닝딥러닝 Human expert Data (100K games) Supervised Learning Policy network Reinforcement Learning Policy network Generates New Data (30M Positions) Value network Classification Self Play Self Play Regression 121
121 AlphaGo 트레이닝딥러닝 Policy and Value Networks Policy Network (Probability Distribution over moves) 122
122 AlphaGo 트레이닝딥러닝 Policy and Value Networks Policy Network (Probability Distribution over moves) Value Network (Real numbers : 0 White, -1 Black) 123
123 AlphaGo Tree search and Rollouts Selection Q : Action Value of Move P : Prior Probability of Move 124
124 AlphaGo Tree search and Rollouts Selection Q : Action Value of Move P : Prior Probability of Move 125
125 AlphaGo Tree search and Rollouts Evaluation Q : Action Value of Move P : Prior Probability of Move 126
126 AlphaGo Tree search and Rollouts Backup Q : Action Value of Move P : Prior Probability of Move 127
127 알파고 (AlphaGo) 수준 128
128 129
129 $500B OPPORTUNITY OVER 10 YRS Deep Learning Total Revenue by Segment World Markets: Deep Learning Software Revenue by Industry World Markets: $120,000 $100,000 Other ($ Millions) $80,000 $60,000 $40,000 Retail Manufacturing Ad Service Technology $20,000 Oil and Gas $ Media Investment Source : Deep Learning for Enterprise Applications, 4Q 2015, Tractica 130
130 Question : sbyun@nvidia.com
<4D6963726F736F667420576F7264202D20C3D6BDC52049435420C0CCBDB4202D20BAB9BBE7BABB>
주간기술동향 2016. 2. 24. 최신 ICT 이슈 인공지능 바둑 프로그램 경쟁, 구글이 페이스북에 리드 * 바둑은 경우의 수가 많아 컴퓨터가 인간을 넘어서기 어려움을 보여주는 사례로 꼽혀 왔 으며, 바로 그런 이유로 인공지능 개발에 매진하는 구글과 페이스북은 바둑 프로그램 개 발 경쟁을 벌여 왔으며, 프로 9 단에 도전장을 낸 구글이 일단 한발 앞서 가는
Ch 1 머신러닝 개요.pptx
Chapter 1. < > :,, 2017. Slides Prepared by,, Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 1.1 3 1.2... 7 1.3 10 1.4 16 1.5 35 2 1 1.1 n,, n n Artificial
<4D6963726F736F667420576F7264202D20C3D6BDC52049435420C0CCBDB4202D20BAB9BBE7BABB>
최신 ICT 이슈 최신 ICT 이슈 알파고의 심층강화학습을 뒷받침한 H/W 와 S/W 환경의 진화 * 알파고의 놀라운 점은 바둑의 기본규칙조차 입력하지 않았지만 승리 방식을 스스로 알아 냈다는 것이며, 알파고의 핵심기술인 심층강화학습이 급속도로 발전한 배경에는 하드웨 어의 진화와 함께 오픈소스화를 통해 발전하는 AI 관련 소프트웨어들이 자리하고 있음 2014
<4D6963726F736F667420576F7264202D20B1E2C8B9BDC3B8AEC1EE2DC0E5C7F5>
주간기술동향 2016. 5.18. 컴퓨터 비전과 인공지능 장혁 한국전자통신연구원 선임연구원 최근 많은 관심을 받고 있는 인공지능(Artificial Intelligence: AI)의 성과는 뇌의 작동 방식과 유사한 딥 러닝의 등장에 기인한 바가 크다. 이미 미국과 유럽 등 AI 선도국에서는 인공지능 연구에서 인간 뇌 이해의 중요성을 인식하고 관련 대형 프로젝트들을
PowerPoint 프레젠테이션
주식회사미루웨어 deep learning 개발머쉰 미루웨어는 NVIDIA GPU Computing / GPU 가상화분야솔루션제공공식파트너사입니다. http://www.miruware.com / miruware@miruware.com T : 02-562-8993 / F : 02-562-8994 Deep Learning 개발환경 Unutu 장점 ( 개발머쉰 )
빅데이터_DAY key
Big Data Near You 2016. 06. 16 Prof. Sehyug Kwon Dept. of Statistics 4V s of Big Data Volume Variety Velocity Veracity Value 대용량 다양한 유형 실시간 정보 (불)확실성 가치 tera(1,0004) - peta -exazetta(10007) bytes in 2020
PowerPoint Presentation
기계학습을통한 시계열데이터분석및 금융시장예측응용 울산과학기술원 전기전자컴퓨터공학부최재식 얼굴인식 Facebook 의얼굴인식기 (DeepFace) 가사람과비슷한인식성능을보임 문제 : 사진에서연애인의이름을맞추기 사람의인식율 : 97.5% vs DeepFace 의인식률 : 97.35% (2014 년 3 월 ) 물체인식 ImageNet (http://image-net.org):
(JBE Vol. 23, No. 2, March 2018) (Special Paper) 23 2, (JBE Vol. 23, No. 2, March 2018) ISSN
(Special Paper) 23 2, 2018 3 (JBE Vol. 23, No. 2, March 2018) https://doi.org/10.5909/jbe.2018.23.2.246 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) CNN a), a), a) CNN-Based Hand Gesture Recognition
김기남_ATDC2016_160620_[키노트].key
![김기남_ATDC2016_160620_[키노트].key](/thumbs/85/91488855.jpg "김기남_ATDC2016_160620_[키노트].key")
metatron Enterprise Big Data SKT Metatron/Big Data Big Data Big Data... metatron Ready to Enterprise Big Data Big Data Big Data Big Data?? Data Raw. CRM SCM MES TCO Data & Store & Processing Computational
Artificial Intelligence: Assignment 6 Seung-Hoon Na December 15, Sarsa와 Q-learning Windy Gridworld Windy Gridworld의 원문은 다음 Sutton 교재의 연습문제
Artificial Intelligence: Assignment 6 Seung-Hoon Na December 15, 2018 1 1.1 Sarsa와 Q-learning Windy Gridworld Windy Gridworld의 원문은 다음 Sutton 교재의 연습문제 6.5에서 찾아볼 수 있다. http://incompleteideas.net/book/bookdraft2017nov5.pdf
[한반도]한국의 ICT 현주소(송부)
![[한반도]한국의 ICT 현주소(송부)](/thumbs/91/105475683.jpg "[한반도]한국의 ICT 현주소(송부)")
ICT 2016. 5. 3 SKT KT LGU+ ( ) ( ) ( ) 18,000 15939 16141 16602 17164 17137 18,000 21990 23856 23811 23422 22281 12,000 10905 11450 11000 10795 13,500 13,425 9,000 9185 9,000 8,850 6,000 4,500 4,275 3,000-0
Microsoft PowerPoint - 실습소개와 AI_ML_DL_배포용.pptx
실습강의개요와인공지능, 기계학습, 신경망 < 인공지능입문 > 강의 허민오 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 실습강의개요 노트북을꼭지참해야하는강좌 신경망소개 (2 주, 허민오 ) Python ( 프로그래밍언어 ) (2주, 김준호
PowerPoint 프레젠테이션
[ 인공지능입문랩 ] SEOPT ( Study on the Elements Of Python and Tensorflow ) 인공지능 + 데이터분석목적 / 방법 / 기법 / 도구 + Python Programming 기초 + NumpyArray(Tensor) youngdocseo@gmail.com 1 *3 시간 / 회 구분일자내용비고 1 회 0309
딥러닝 첫걸음
딥러닝첫걸음 4. 신경망과분류 (MultiClass) 다범주분류신경망 Categorization( 분류 ): 예측대상 = 범주 이진분류 : 예측대상범주가 2 가지인경우 출력층 node 1 개다층신경망분석 (3 장의내용 ) 다범주분류 : 예측대상범주가 3 가지이상인경우 출력층 node 2 개이상다층신경망분석 비용함수 : Softmax 함수사용 다범주분류신경망
Copyright IBM Corporation 2017 한국아이비엠주식회사 (07326) 서울시영등포구국제금융로10 서울국제금융센터 (Three IFC) TEL : (02) 년 2 월 Printed in Korea
IBM MINSKY 전문가와함께하는찾아가는세미나안내 IBM Minsky로구현되는세상에서가장빠른딥러닝프레임워크를직접경험하고싶으신가요? IBM 전문가가직접고객사를방문하여맞춤세미나를제공해드립니다. 맛있는도시락과함께찾아가는세미나를놓치지마세요! 찾아가는세미나를 QR 코드를통해신청하세요 문의 한국 IBM 마케팅총괄본부 02-3781-7900 mktg@kr.ibm.com
Megazone-ML-v2
활용장점 학습모델개발자관점및비지니스 Time-to-market Jaehoon Lee 목차 I. 머신러닝 à 개발자관점 기본개념 약간의수학 약간의데모 모델개발자들의작업 II. 모델개발자생산성과비교 No coding. Fast deployment 비즈니스영역 SageMaker 란? 마무리 머신러닝은수집 / 저장 / 처리 / 분석 / 배포 / 활용단계를거쳐프로덕션되어집니다.
제4차 산업혁명과 인공지능 차 례 제4차 산업혁명과 인공지능 2 제46회 다보스포럼이 2016년 1월 21일~24일 4차 산업혁명의 이해 라는 주제로 개최 되었습니다. 4차 산업혁명은 인공지능에 의해 자동화와 연결성이 극대화되는 단계 로서 오늘날 우리 곁에 모습을 드러
국가연구개발사업 정보 길잡이 제23호 2016년 4월 4월 과학의 날 특집 인공지능과 알파고 이야기 제4차 산업혁명과 인공지능 차 례 제4차 산업혁명과 인공지능 2 제46회 다보스포럼이 2016년 1월 21일~24일 4차 산업혁명의 이해 라는 주제로 개최 되었습니다. 4차 산업혁명은 인공지능에 의해 자동화와 연결성이 극대화되는 단계 로서 오늘날 우리 곁에 모습을
( 분류및특징 ) 학습방법에따라 1 지도학습 (Supervised 2 비지도 학습 (Unsupervised 3 강화학습 (Reinforcement 으로구분 3) < 머신러닝의학습방법 > 구분 지도학습 (Supervised 비지도학습 (Unsupervised 강화학습 (
보안연구부 -2016-016 머신러닝 (Machine 개요및활용동향 - 금융권인공지능 (AI) 을위한머신러닝과딥러닝 - ( 보안연구부보안기술팀 / 2016.3.24.) 개요 이세돌 9단과인공지능 (AI, Artificial Intelligence) 알파고 (AlphaGo) 의대국 ( 16 년 3월 9~15일총 5국 ) 의영향으로 4차산업혁명단계 1) 진입을인식함과더불어금융권에서도인공지능기술이주목받게됨에따라,
PowerPoint 프레젠테이션
Chapter 1. 머신러닝개요 < 기계학습개론 > 강의서울대학교컴퓨터공학부장병탁 교재 : 장교수의딥러닝, 홍릉과학출판사, 2017. Slides Prepared by 장병탁, 김준호, 이상우 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University
Copyright IBM Corporation 2017 한국아이비엠주식회사 (07326) 서울시영등포구국제금융로10 서울국제금융센터 (Three IFC) TEL : (02) 년 2 월 Printed in Korea
Copyright IBM Corporation 2017 한국아이비엠주식회사 (07326) 서울시영등포구국제금융로10 서울국제금융센터 (Three IFC) TEL : (02) 3781-7900 www.ibm.com/kr 2017 년 2 월 Printed in Korea All Rights Reserved IBM, IBM 로고, ibm.com은미국및 / 또는다른국가에서
_KrlGF발표자료_AI
AI 의과거와현재그리고내일 AI is the New Electricity 2017.09.15 AI! 2 Near Future of Super Intelligence? *source l http://www.motherjones.com/media/2013/05/robots-artificial-intelligence-jobs-automation 3 4 I think
Data Industry White Paper
2017 2017 Data Industry White Paper 2017 1 3 1 2 3 Interview 1 ICT 1 Recommendation System * 98 2017 Artificial 3 Neural NetworkArtificial IntelligenceAI 2 AlphaGo 1 33 Search Algorithm Deep Learning IBM
Pattern Recognition
딥러닝이해및미디어응용 아주대학교구형일 인공지능 / 기계학습 / 딥러닝 AI 에관한 4 개의관점 Humanly Rationally Thinking Thinking Humanly Thinking Rationally Acting Acting Humanly Acting Rationally Acting Humanly 사람처럼일하는 / 행동하는기계 인공지능은사람에의해서수행될때지능이필요한일을수행하는기계를만드는기술이다.
목 차 1. 연구 목적 2. 컴퓨팅 파워와 병렬 컴퓨팅 3. AlphaGo의 계산량 분석 4. 결 론
인공지능 컴퓨팅 환경 확보 방안 및 전략 2016. 08. 25. 2016 정보과학회 HPC연구회 하계 워크샵 추형석 소프트웨어정책연구소 선임연구원 신기술확산연구팀 목 차 1. 연구 목적 2. 컴퓨팅 파워와 병렬 컴퓨팅 3. AlphaGo의 계산량 분석 4. 결 론 1. 연구목적 배경및필요성 컴퓨팅환경확보는인공지능연구를위해선결되어야하는과제 인공지능연구에왜 컴퓨팅파워
15_3oracle
Principal Consultant Corporate Management Team ( Oracle HRMS ) Agenda 1. Oracle Overview 2. HR Transformation 3. Oracle HRMS Initiatives 4. Oracle HRMS Model 5. Oracle HRMS System 6. Business Benefit 7.
기술개요 NVIDIA GPU CLOUD 딥러닝프레임워크 NVIDIA GPU Cloud 의최적화된프레임워크컨테이너가이드
기술개요 NVIDIA GPU CLOUD 딥러닝프레임워크 NVIDIA GPU Cloud 의최적화된프레임워크컨테이너가이드 소개 인공지능은전염병의조기발견및치료법찾기, 교통사고사망률감소, 중요한인프라에서불완전한요소를찾아안전위험이발생하기전에방지등인류가직면한가장복잡한문제를해결하는데도움을주고있습니다. AI 및딥러닝사용의가장큰장애물중두가지는성능극대화와기반기술의끊임없는변동률을관리하는것입니다.
PowerPoint 프레젠테이션
I. 문서표준 1. 문서일반 (HY중고딕 11pt) 1-1. 파일명명체계 1-2. 문서등록정보 2. 표지표준 3. 개정이력표준 4. 목차표준 4-1. 목차슬라이드구성 4-2. 간지슬라이드구성 5. 일반표준 5-1. 번호매기기구성 5-2. 텍스트박스구성 5-3. 테이블구성 5-4. 칼라테이블구성 6. 적용예제 Machine Learning Credit Scoring
PowerPoint 프레젠테이션
Deep Learning 작업환경조성 & 사용법 ISL 안재원 Ubuntu 설치 작업환경조성 접속방법 사용예시 2 - ISO file Download www.ubuntu.com Ubuntu 설치 3 - Make Booting USB Ubuntu 설치 http://www.pendrivelinux.com/universal-usb-installer-easy-as-1-2-3/
Introduction to Deep learning
Introduction to Deep learning Youngpyo Ryu 동국대학교수학과대학원응용수학석사재학 youngpyoryu@dongguk.edu 2018 년 6 월 30 일 Youngpyo Ryu (Dongguk Univ) 2018 Daegu University Bigdata Camp 2018 년 6 월 30 일 1 / 66 Overview 1 Neuron
PowerPoint 프레젠테이션
딥러닝소개 < 인공지능입문 > 강의 허민오 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University (C) 2007-2018, SNU Biointelligence Lab, http://bi.snu.ac.kr/ 1 Playground (playground.tensorflow.org)
다중 곡면 검출 및 추적을 이용한 증강현실 책
1 딥러닝기반성별및연령대 추정을통한맞춤형광고솔루션 20101588 조준희 20131461 신혜인 2 개요 연구배경 맞춤형광고의필요성 성별및연령별주요관심사에적합한광고의필요성증가 제한된환경에서개인정보획득의한계 맞춤형광고의어려움 영상정보기반개인정보추정 연구목표 딥러닝기반사용자맞춤형광고솔루션구현 얼굴영상을이용한성별및연령대추정 성별및연령대를통합네트워크로학습하여추정정확도향상
제1강 인공지능 개념과 역사
인공지능개념과역사 < 인공지능입문 > 강의노트 장병탁서울대학교컴퓨터공학부 & 인지과학 / 뇌과학협동과정 http://bi.snu.ac.kr/~btzhang/ Version: 20180302 목차 인공지능의개념........ 3 연구분야............ 4 역사...... 6 패러다임........ 7 응용사례.......... 8 Reading Assignments.........
비디오 / 그래픽 아답터 네트워크 만약에 ArcGolbe를 사용하는 경우, 추가적인 디스크 공간 필요. ArcGlobe는 캐시파일을 생성하여 사용 24 비트 그래픽 가속기 Oepn GL 2.0 이상을 지원하는 비디오카드 최소 64 MB 이고 256 MB 이상을 메모리
ArcGIS for Desktop 10.4 Single Use 설치가이드 Software: ArcGIS for Desktop 10.4 Platforms: Windows 10, 8.1, 7, Server 2012, Server 2008 ArcGIS for Desktop 10.4 시스템 요구사항 1. 지원 플랫폼 운영체제 최소 OS 버전 최대 OS 버전 Windows
융합WEEKTIP data_up
2016 MAY vol.19 19 융합 인지과학 연구동향 이아름 융합연구정책센터 발행일 2016. 05. 09. 발행처 융합정책연구센터 융합 2016 MAY vol.19 인지과학 연구동향 이아름 융합연구정책센터 선정 배경 최근 구글의 인공지능 프로그램인 알파고가 이세돌 9단과의 바둑대결에서 압승을 거둔 이후 전세계적으로 인공지능에 대한 관심이 증대 - 인간
(JBE Vol. 24, No. 2, March 2019) (Special Paper) 24 2, (JBE Vol. 24, No. 2, March 2019) ISSN
(Special Paper) 24 2, 2019 3 (JBE Vol. 24, No. 2, March 2019) https://doi.org/10.5909/jbe.2019.24.2.234 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) SIFT a), a), a), a) SIFT Image Feature Extraction
SOSCON-MXNET_1014
딥러닝계의블루오션, Apache MXNet 공헌하기 윤석찬, Amazon Web Services 오규삼, 삼성 SDS SAMSUNG OPEN SOURCE CONFERENCE 018 목차 11 1 : 4 2 031 1 1 21 51: 1 L 1 S D A 1 S D N M Deep Learning 101 SAMSUNG OPEN SOURCE CONFERENCE
(JBE Vol. 22, No. 2, March 2017) (Special Paper) 22 2, (JBE Vol. 22, No. 2, March 2017) ISSN
(Special Paper) 22 2, 2017 3 (JBE Vol. 22, No. 2, March 2017) https://doi.org/10.5909/jbe.2017.22.2.162 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) Convolutional Neural Network a), b), a), a), Facial
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : /45
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : 20049 0/45 Define ~ Analyze Define VOB KBI R 250 O 2 2.2% CBR Gas Dome 1290 CTQ KCI VOC Measure Process Data USL Target LSL Mean Sample N StDev (Within) StDev
01 AI Definition 02 Deep Learning Theory - Linear Regression - Cost Function - Gradient Descendent - Logistic Regression - Activation Function - Conce
Artificial Intelligence for Deep Learning 01 AI Definition 02 Deep Learning Theory - Linear Regression - Cost Function - Gradient Descendent - Logistic Regression - Activation Function - Concept of Neural
PowerPoint 프레젠테이션
ETRI, Kim Kwihoon (kwihooi@etri.re.kr) 1 RL overview & RL 에주목하는이유? 2 RL Tech. Tree 3 Model-based RL vs Model-free RL 4 몇가지사례들 5 Summary 2 AI Framework KSB AI Framework BeeAI,, Edge Computing EdgeX,, AI
Reinforcement Learning & AlphaGo
Gait recognition using a Discriminative Feature Learning Approach for Human identification 딥러닝기술및응용딥러닝을활용한개인연구주제발표 이장우 wkddn1108@kist.re.kr 2018.12.07 Overview 연구배경 관련연구 제안하는방법 Reference 2 I. 연구배경 Reinforcement
<4D F736F F F696E74202D203034BECBB0EDB8AEC1F228BECBC6C4B0ED20BECBB0EDB8AEC1F220C0CCBEDFB1E2292E >
이산수학 Discrete Mathematics 알파고알고리즘이야기 인천대학교컴퓨터공학과공학시인이숙이철호교수 Jullio@chol.com zullio@inu.ac.kr 010 3957 6683 모바일컴퓨팅연구실 07 401 호 알파고에대하여 알파고의 HW 사양 최종버전 ( 싱글 ) 40개의탐색쓰레드 48개 CPU 8개 GPU를사용 분산구현버전 40개의탐색쓰레드
PowerPoint 프레젠테이션
Visual Search At SK-Planet sk-planet Machine Intelligence Lab. 나상일 1. 개발배경 2. 첫접근방법 3. 개선된방법 A. Visual recognition technology B. Guided search C. Retrieval system 개발배경 개발배경 상품검색을좀더쉽게 Key-word 트렌치코트버튺벨트
2 : (Seungsoo Lee et al.: Generating a Reflectance Image from a Low-Light Image Using Convolutional Neural Network) (Regular Paper) 24 4, (JBE
2: (Seungsoo Lee et al.: Generating a Reflectance Image from a Low-Light Image Using Convolutional Neural Network) (Regular Paper) 24 4, 2019 7 (JBE Vol. 24, No. 4, July 2019) https://doi.org/10.5909/jbe.2019.24.4.623
2 : (EunJu Lee et al.: Speed-limit Sign Recognition Using Convolutional Neural Network Based on Random Forest). (Advanced Driver Assistant System, ADA
(JBE Vol. 20, No. 6, November 2015) (Regular Paper) 20 6, 2015 11 (JBE Vol. 20, No. 6, November 2015) http://dx.doi.org/10.5909/jbe.2015.20.6.938 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a),
Æí¶÷4-¼Ö·ç¼Çc03ÖÁ¾š
솔루션 2006 454 2006 455 2006 456 2006 457 2006 458 2006 459 2006 460 솔루션 2006 462 2006 463 2006 464 2006 465 2006 466 솔루션 2006 468 2006 469 2006 470 2006 471 2006 472 2006 473 2006 474 2006 475 2006 476
KAST International Symposium on Convergence Education of Science and Technology Seoul Sep. 13-14, 2007
과학기술과 사회의 변화 온누리교회 장로아카데미 2016년 5월 10일 이재규 KAIST 석좌교수; 세계정보시스템학회장 (AIS) 주요 과학기술과 영향 IT (정보 통신 기술): 인터넷, 스마트폰, AI 효율증대 고용 절벽 BT (바이오 기술) : 유전공학 장수 고령화 ET (에너지 기술) : 탄산가스 배출 저감 기후변화 방지 탄산가스 배출 규제 NT(나노 기술):
분산처리 프레임워크를 활용한대용량 영상 고속분석 시스템
분산처리프레임워크를활용한 대용량영상고속분석시스템 2015.07.16 SK C&C 융합기술본부오상문 (sangmoon.oh@sk.com) 목차 I. 영상분석서비스 II. Apache Storm III.JNI (Java Native Interface) IV. Image Processing Libraries 2 1.1. 배경및필요성 I. 영상분석서비스 현재대부분의영상관리시스템에서영상분석은
첨 부 1. 설문분석 결과 2. 교육과정 프로파일 169
첨부 168 첨 부 1. 설문분석 결과 2. 교육과정 프로파일 169 Ⅰ-1. 설문조사 개요 Ⅰ. 설문분석 결과 병무청 직원들이 생각하는 조직문화, 교육에 대한 인식, 역량 중요도/수행도 조사를 인터넷을 통해 실 시 총 1297명의 응답을 받았음 (95% 신뢰수준에 표본오차는 ±5%). 조사 방법 인터넷 조사 조사 기간 2005년 5월 4일 (목) ~ 5월
김경재 안현철 지능정보연구제 17 권제 4 호 2011 년 12 월
지능정보연구제 17 권제 4 호 2011 년 12 월 (pp.241~254) Support vector machines(svm),, CRM. SVM,,., SVM,,.,,. SVM, SVM. SVM.. * 2009() (NRF-2009-327- B00212). 지능정보연구제 17 권제 4 호 2011 년 12 월 김경재 안현철 지능정보연구제 17 권제 4 호
위클리 초이스
2016.1.09 01 WEEKLY CHOICE http://techholic.co.kr 1/15 전기車 바퀴 빼서 외발 스쿠터로? 옷도 다운로드 시대 열릴까 1 4 이게 바로 자율주행車를 위한 슈퍼컴퓨터 스타워즈 BB-8 장난감, 이번엔 포스의 힘으로? 공짜로 로고 만들고 싶다면 11 비행은 기본 벽 기어오르는 로봇 12 아기 체온도 모니터링해주는 웹캠 14
THE JOURNAL OF KOREAN INSTITUTE OF ELECTROMAGNETIC ENGINEERING AND SCIENCE Jul.; 29(7),
THE JOURNAL OF KOREAN INSTITUTE OF ELECTROMAGNETIC ENGINEERING AND SCIENCE. 2018 Jul.; 29(7), 550 559. http://dx.doi.org/10.5515/kjkiees.2018.29.7.550 ISSN 1226-3133 (Print) ISSN 2288-226X (Online) Human
AGENDA 01 02 03 모바일 산업의 환경변화 모바일 클라우드 서비스의 등장 모바일 클라우드 서비스 융합사례
모바일 클라우드 서비스 융합사례와 시장 전망 및 신 사업전략 2011. 10 AGENDA 01 02 03 모바일 산업의 환경변화 모바일 클라우드 서비스의 등장 모바일 클라우드 서비스 융합사례 AGENDA 01. 모바일 산업의 환경 변화 가치 사슬의 분화/결합 모바일 업계에서도 PC 산업과 유사한 모듈화/분업화 진행 PC 산업 IBM à WinTel 시대 à
Pattern Recognition
SELF-DRIVING CARS AND DEEP LEARNING 아주대학교구형일 Course overview (keywords) Introduction Self Driving Cars/Machine Learning/Deep Learning Machine Learning Artificial Neural Network (ANN,MLP) Convolution Neural
Pattern Recognition
SELF-DRIVING CARS AND DEEP LEARNING 아주대학교구형일 Course overview Introduction Self Driving Cars/Machine Learning/Deep Learning Machine Learning Artificial Neural Network (ANN,MLP) Convolution Neural Network
학습목차 2.1 다차원배열이란 차원배열의주소와값의참조
- Part2- 제 2 장다차원배열이란무엇인가 학습목차 2.1 다차원배열이란 2. 2 2 차원배열의주소와값의참조 2.1 다차원배열이란 2.1 다차원배열이란 (1/14) 다차원배열 : 2 차원이상의배열을의미 1 차원배열과다차원배열의비교 1 차원배열 int array [12] 행 2 차원배열 int array [4][3] 행 열 3 차원배열 int array [2][2][3]
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 9 주차 예측모형에대한평가 Assessment of Predictive Model 최종후, 강현철 차례 6. 모형평가의기본개념 6.2 모델비교 (Model Comparison) 노드 6.3 임계치 (Cutoff) 노드 6.4 의사결정 (Decisions) 노드 6.5 기타모형화노드들
AIGo 개발 줂갗 보곀.hwp
AIGo 개발중간보고 AIGolab(https://aigolab.tistory.com) AIGo 프로젝트는지난 2016년 03 월, 한국의이세돌九단과 5번기를벌인 Google DeepMind의인공 지능 AlphaGo 에영감을받아시작됐습니다. AIGo 프로젝트는약 1년 4개월의연구및개발을거쳐 정책망(Policy Network) 를이용해오픈소스바둑인공지능 GNUGo를
이세돌 9단, 인공지능 알파고와의 제1국에서 불계패 인공지능 알파고 vs. 인간 이세돌 이세돌 9단은 9일 구글 딥마인드 기반의 인공지능인 알파고와의 바둑 대결 제1국 에서 186수 만에 불계패하였다. 알파고는 대국 상황과 관계없이 거의 1분에서 1분 30초 안에 착수
인공지능 알파고 vs.이세돌: 세상의 변화 Industry Note 2016. 3. 10 인공지능과 인간의 바둑 대결에서 인간이 패배. 이는 인공지능 기술이 당 초 예상보다 빠르게 발전하고 있음을 의미. 인공지능 확대로 중기적 관점 반도체 업체 수혜 예상. 반도체 업체인 삼성전자, SK하이닉스 긍정적 이세돌 9단, 알파고와의 바둑 대결에서 충격적인 패배 이세돌
Backup Exec
(sjin.kim@veritas.com) www.veritas veritas.co..co.kr ? 24 X 7 X 365 Global Data Access.. 100% Storage Used Terabytes 9 8 7 6 5 4 3 2 1 0 2000 2001 2002 2003 IDC (TB) 93%. 199693,000 TB 2000831,000 TB.
SchoolNet튜토리얼.PDF
Interoperability :,, Reusability: : Manageability : Accessibility :, LMS Durability : (Specifications), AICC (Aviation Industry CBT Committee) : 1988, /, LMS IMS : 1997EduCom NLII,,,,, ARIADNE (Alliance
PowerPoint 프레젠테이션
11 곡선과곡면 01 Spline 곡선 02 Spline 곡면 03 Subdivision 곡면 C n 연속성 C 0 연속성 C 1 연속성 2 C 2 연속성 01 Spline 곡선 1. Cardinal Spline Curve 2. Hermite Spline Curve 3. Bezier Spline Curve 4. Catmull-Rom Spline Curve 5.
(JBE Vol. 23, No. 2, March 2018) (Special Paper) 23 2, (JBE Vol. 23, No. 2, March 2018) ISSN
(Special Paper) 23 2, 2018 3 (JBE Vol. 23, No. 2, March 2018) https://doi.org/10.5909/jbe.2018.23.2.186 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a) Robust Online Object Tracking via Convolutional
4 : CNN (Sangwon Suh et al.: Dual CNN Structured Sound Event Detection Algorithm Based on Real Life Acoustic Dataset) (Regular Paper) 23 6, (J
(Regular Paper) 23 6, 2018 11 (JBE Vol. 23, No. 6, November 2018) https://doi.org/10.5909/jbe.2018.23.6.855 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) CNN a), a), a), a), a) Dual CNN Structured Sound
Delving Deeper into Convolutional Networks for Learning Video Representations - Nicolas Ballas, Li Yao, Chris Pal, Aaron Courville arXiv:
Delving Deeper into Convolutional Networks for Learning Video Representations Nicolas Ballas, Li Yao, Chris Pal, Aaron Courville arxiv: 1511.06432 Il Gu Yi DeepLAB in Modu Labs. June 13, 2016 Il Gu Yi
170918_hjk_datayanolja_v1.0.1.
모 금융회사 오픈소스 및 머신러닝 도입 이야기 김 형 준 2 0 발표자소개 1 인터넷폐쇄망에서분석시스템구축 (feat. 엔지니어가없을때 ) 2 분석보고서자동화 3 Machine Learning 삽질기 ( 분석 & 개발 ) 3 0 발표자소개 1 인터넷폐쇄망에서분석시스템구축 (feat. 엔지니어가없을때 ) 2 분석보고서자동화하기 3 Machine Learning
Microsoft Word - 20160119172619993.doc
반도체 in 2016 CES 메모리 반도체 응용처 확대 가능성 확인 2016년 CES 전시 주요 기술과 Device 모두 향후 메모리 반도체 수요 견인 가능성 충분 반도체 Analyst 박영주 02-6114-2951 young.park@hdsrc.com RA 주영돈 02-6114-2923 ydjoo89@hdsrc.com VR 시장의 성장 개시.. IT 기기의
PowerPoint 프레젠테이션
공개 SW 솔루션설치 & 활용가이드 기타 > AI 제대로배워보자 How to Use Open Source Software Open Source Software Installation & Application Guide CONTENTS 1. 개요 2. 기능요약 3. 실행환경 4. 설치및실행 5. 기능소개 6. 활용예제 7. FAQ 8. 용어정리 - 3-1. 개요
Business Agility () Dynamic ebusiness, RTE (Real-Time Enterprise) IT Web Services c c WE-SDS (Web Services Enabled SDS) SDS SDS Service-riented Architecture Web Services ( ) ( ) ( ) / c IT / Service- Service-
Event_POR_Template
GTCX KOREA 2016 스폰서쉽안내 GPU TECHNOLOGY CONFERENCE GPU Technology Conference( 이하 GTC) 는 GPU 개발자및생태계전체를대상으로개최되는매우크고중요한행사입니다. 올해 NVIDIA 본사주최로실리콘밸리에서개최된 GTC 2016 에서는 600 개가넘는세션을통해컴퓨팅에지대한영향을준딥러닝의발전에대해조명했습니다.
02본문
87 특집 딥러닝기반방송미디어기술 CNN 과 RNN 의기초및응용연구 이은주 / 계명대학교 Ⅰ. 서론 2016 년 3월, 전세계적으로굉장히이슈가되는사건이있었다. 다름아닌, 구글딥마인드 (Deep Mind) 가개발한인공지능바둑프로그램인알파고 (AlphaGo) 와이세돌 9단의바둑대결에서컴퓨터가 4대 1이라는압승을거둔것이다. 이때, 일반대중들에게바둑에대한관심못지않게오래된패러다임으로생각되었던인공지능에대한관심이폭발적으로증가하게되었다
클라우드컴퓨팅확산에따른국내경제시사점 클라우드컴퓨팅확산에따른국내경제시사점 * 1) IT,,,, Salesforce.com SaaS (, ), PaaS ( ), IaaS (, IT ), IT, SW ICT, ICT IT ICT,, ICT, *, (TEL)
클라우드컴퓨팅확산에따른국내경제시사점 클라우드컴퓨팅확산에따른국내경제시사점 * 1) IT,,,, Salesforce.com SaaS (, ), PaaS ( ), IaaS (, IT ), IT, SW ICT, ICT IT ICT,, ICT, *, (TEL) 02-570-4352 (e-mail) jjoon75@kisdi.re.kr 1 The Monthly Focus.
PowerPoint 프레젠테이션
1 2 3 3-1 3-2 3-3 Large-scale data 개요기계학습기반자료분석기술교통분석에기계학습적용사례 1 CNN 을활용한대중교통수요예측 2 RNN 을활용한공로통행속도예측 3 DQN 을이용한최적교통신호제어 4 시연 Large-Scale Data 기술요소 전수자료 이력자료누적 ( 자료를지우지않음 ) Hadoop HDFS MapReduce 병렬 DBMS
본보고서는 과학기술정보통신부정보통신진흥기금 을지원받아제작한것으로과학기술정보통신부의공식의견과다를수있습니다. 본보고서의내용은연구진의개인견해이며, 본보고서와관련한의문사항또는수정 보완할필요가있는경우에는아래연락처로연락해주시기바랍니다. 소프트웨어정책연구소기술 공학연구실추형석선임연
2018. 1. 23. AlphaGo Zero 의인공지능알고리즘 추형석선임연구원 본보고서는 과학기술정보통신부정보통신진흥기금 을지원받아제작한것으로과학기술정보통신부의공식의견과다를수있습니다. 본보고서의내용은연구진의개인견해이며, 본보고서와관련한의문사항또는수정 보완할필요가있는경우에는아래연락처로연락해주시기바랍니다. 소프트웨어정책연구소기술 공학연구실추형석선임연구원 (hchu@spri.kr)
Chap 6: Graphs
그래프표현법 인접행렬 (Adjacency Matrix) 인접리스트 (Adjacency List) 인접다중리스트 (Adjacency Multilist) 6 장. 그래프 (Page ) 인접행렬 (Adjacency Matrix) n 개의 vertex 를갖는그래프 G 의인접행렬의구성 A[n][n] (u, v) E(G) 이면, A[u][v] = Otherwise, A[u][v]
PowerPoint 프레젠테이션
고령사회인공지능과로봇의미래 뉴스토마토 2016 은퇴전략포럼 2016. 9. 23 ( 목 ), 15:20~14:00 장병탁서울대학교컴퓨터공학부 & 인지과학 / 뇌과학협동과정인지로봇인공지능연구센터 (CRAIC) http://bi.snu.ac.kr/ 목차 1. 인공지능혁명............. 3 머신러닝 / 딥러닝혁명, 글로벌기업동향 2. 스마트머신의등장........
[Summary] 딥러닝이란인간뇌의학습처리과정을모방한머신러닝방법의한종류로, 사람의사고방식을컴퓨터에게가르치는것을의미 1980년대등장한인공신경망 (ANN, artificial neural networks) 에기반하여설계된개념으로, IT기술의발전과함께단점으로여겨지던과적합문제
![[Summary] 딥러닝이란인간뇌의학습처리과정을모방한머신러닝방법의한종류로, 사람의사고방식을컴퓨터에게가르치는것을의미 1980년대등장한인공신경망 (ANN, artificial neural networks) 에기반하여설계된개념으로, IT기술의발전과함께단점으로여겨지던과적합문제](/thumbs/91/104610526.jpg "[Summary] 딥러닝이란인간뇌의학습처리과정을모방한머신러닝방법의한종류로, 사람의사고방식을컴퓨터에게가르치는것을의미 1980년대등장한인공신경망 (ANN, artificial neural networks) 에기반하여설계된개념으로, IT기술의발전과함께단점으로여겨지던과적합문제")
2016. 4. 25 (16-31 호 ) : 알파고의딥러닝 (Deep Learning) 금융업적용사례 Deep Learning 의개념과역사 Deep Learning 금융업적용사례 시사점 [Summary] 딥러닝이란인간뇌의학습처리과정을모방한머신러닝방법의한종류로, 사람의사고방식을컴퓨터에게가르치는것을의미 1980년대등장한인공신경망 (ANN, artificial neural
[Summary] 그래픽처리의핵심프로세서인 GPU는다수코어에의한병렬연산의장점을바탕으로일반적인데이터처리에도활용되는 GPGPU( 범용 GPU) 로발전 GPU는 3천개이상의코어 (cores) 로구성, 여러개의연산을동시에처리하는 병렬컴퓨팅 (Parallel Computing)
![[Summary] 그래픽처리의핵심프로세서인 GPU는다수코어에의한병렬연산의장점을바탕으로일반적인데이터처리에도활용되는 GPGPU( 범용 GPU) 로발전 GPU는 3천개이상의코어 (cores) 로구성, 여러개의연산을동시에처리하는 병렬컴퓨팅 (Parallel Computing)](/thumbs/93/114518246.jpg "[Summary] 그래픽처리의핵심프로세서인 GPU는다수코어에의한병렬연산의장점을바탕으로일반적인데이터처리에도활용되는 GPGPU( 범용 GPU) 로발전 GPU는 3천개이상의코어 (cores) 로구성, 여러개의연산을동시에처리하는 병렬컴퓨팅 (Parallel Computing)")
2017. 06. 26 (17-49 호 ) : 4 차산업혁명과 GPU(Graphics Processing Unit) 의성장 GPU 의성장배경과 GPGPU GPU 시장의경쟁양상 시사점 [Summary] 그래픽처리의핵심프로세서인 GPU는다수코어에의한병렬연산의장점을바탕으로일반적인데이터처리에도활용되는 GPGPU( 범용 GPU) 로발전 GPU는 3천개이상의코어 (cores)
PowerPoint Presentation
오에스아이소프트코리아세미나세미나 2012 Copyright Copyright 2012 OSIsoft, 2012 OSIsoft, LLC. LLC. PI Coresight and Mobility Presented by Daniel Kim REGIONAL 세미나 SEMINAR 세미나 2012 2012 2 Copyright Copyright 2012 OSIsoft,
(JBE Vol. 24, No. 4, July 2019) (Special Paper) 24 4, (JBE Vol. 24, No. 4, July 2019) ISSN
(JBE Vol. 24, No. 4, July 2019) (Special Paper) 24 4, 2019 7 (JBE Vol. 24, No. 4, July 2019) https://doi.org/10.5909/jbe.2019.24.4.564 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a) Integral Regression
02본문
46 특집 : 딥러닝기반방송미디어기술 특집 딥러닝기반방송미디어기술 딥러닝기반의음성 / 오디오기술 Speech/Audio Processing based on Deep Learning 이영한 / KETI Ⅰ. 서론 인간의두뇌를모델링하는뉴럴네트워크연구는 1940 년대신경세포의모델링부터시작하여현재까지다양한기술이축적되어왔다. 특히 backpropagation 이제안된이후에
Visual recognition in the real world SKT services
Visual recognition in the real world SKT services 박병관 SK Telecom AI Center / 영상인식기술 Cell 2019.07.02 SKT Services 2 Contents 1. T map 도로교통정보인식 a. 서비스개요 b. Core Engine Architecture c. Core Engine d. Multi
6 : (Gicheol Kim et al.: Object Tracking Method using Deep Learing and Kalman Filter) (Regular Paper) 24 3, (JBE Vol. 24, No. 3, May 2019) http
(Regular Paper) 24 3, 2019 5 (JBE Vol. 24, No. 3, May 2019) https://doi.org/10.5909/jbe.2019.24.3.495 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a), a), b), b), b), a) Object Tracking Method using
(JBE Vol. 23, No. 5, September 2018) (Special Paper) 23 5, (JBE Vol. 23, No. 5, September 2018) ISSN
(JBE Vol. 23, No. 5, September 2018) (Special Paper) 23 5, 2018 9 (JBE Vol. 23, No. 5, September 2018) https://doi.org/10.5909/jbe.2018.23.5.614 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) Generative
CPI CORE CPI 125 115 105 95 (04.01.02 = 100) 85 75 04.01 04.07 05.01 05.07 06.01 15% 10% 5% 0% -5% 96.01 98.01 00.01 02.01 04.01 06.01
Best Investment Partner CPI CORE CPI 125 115 105 95 (04.01.02 = 100) 85 75 04.01 04.07 05.01 05.07 06.01 15% 10% 5% 0% -5% 96.01 98.01 00.01 02.01 04.01 06.01 LG LCD P7., 87.5% 88.6%. 1/4 740 17.4%. T/K
보안연구부 인공지능 (AI) 개요및기술동향 - 딥러닝 (Deep Learning) 기술의발달을중심으로 - ( 보안연구부보안기술연구팀 / ) 개요 기술연구및투자의장기간침체가있었던인공지능 (AI) 은최근딥러닝기반기술의발달및기존기술과의결합
보안연구부 -2016-043 인공지능 (AI) 개요및기술동향 - 딥러닝 (Deep Learning) 기술의발달을중심으로 - ( 보안연구부보안기술연구팀 / 2016.8.26.) 개요 기술연구및투자의장기간침체가있었던인공지능 (AI) 은최근딥러닝기반기술의발달및기존기술과의결합등을통해산업전반에적용가능한수준으로발전하고있음 이에현재활용되고있는인공지능기술중딥러닝에대한개념및기술동향을중심으로소개하고자함
Microsoft Word - Final_ _최정빈.docx
CSED499I-01 Research Project Final Report Embedded MDNet Mobile Embedded Multi-Domain Convolutional Neural Networks for Visual Tracking 20080650 CSE Jeongbin Choe Advisor: Prof. Bohyung Han, CV Lab 1.
보고싶었던 Deep Learning과 OpenCV를이용한이미지처리과정에대해공부를해볼수있으며더나아가 Deep Learning기술을이용하여논문을작성하는데많은도움을받을수있으며아직배우는단계에있는저에게는기존의연구를따라해보는것만으로도큰발전이있다고생각했습니다. 그래서이번 DSP스마
특성화사업참가결과보고서 작성일 2017 12.22 학과전자공학과 참가활동명 EATED 30 프로그램지도교수최욱 연구주제명 Machine Learning 을이용한얼굴학습 학번 201301165 성명조원 I. OBJECTIVES 사람들은새로운사람들을보고인식을하는데걸리는시간은 1초채되지않다고합니다. 뿐만아니라사람들의얼굴을인식하는인식률은무려 97.5% 정도의매우높은정확도를가지고있습니다.
16X Tesla V100 SXM 3GB NVIDIA DGX- 16x Tesla V100 SXM 3GB 81,90 CUDA cores / 10,40 Tensor Cores FP16 : 1,90 TFLOPS / FP3 : 40 TFLOPS / FP64 : 10 TFLOP
VISUAL & AI COMPUTING SOLUTION 16X Tesla V100 SXM 3GB NVIDIA DGX- 16x Tesla V100 SXM 3GB 81,90 CUDA cores / 10,40 Tensor Cores FP16 : 1,90 TFLOPS / FP3 : 40 TFLOPS / FP64 : 10 TFLOPS x Xeon CPU / 300GB/s
I I-1 I-2 I-3 I-4 I-5 I-6 GIS II II-1 II-2 II-3 III III-1 III-2 III-3 III-4 III-5 III-6 IV GIS IV-1 IV-2 (Complement) IV-3 IV-4 V References * 2012.
: 2013 1 25 Homepage: www.gaia3d.com Contact: info@gaia3d.com I I-1 I-2 I-3 I-4 I-5 I-6 GIS II II-1 II-2 II-3 III III-1 III-2 III-3 III-4 III-5 III-6 IV GIS IV-1 IV-2 (Complement) IV-3 IV-4 V References
The characteristic analysis of winners and losers in curling: Focused on shot type, shot accuracy, blank end and average score SungGeon Park 1 & Soowo
The characteristic analysis of winners and losers in curling: Focused on shot type, shot accuracy, blank end and average score SungGeon Park 1 & Soowon Lee 2 * 1 Program of Software Convergence, Soongsil
영상5월_펼침면
KOREA MEDIA RATING BOARD KOREA MEDIA RATING BOARD 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 2006. 4 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
APOGEE Insight_KR_Base_3P11
Technical Specification Sheet Document No. 149-332P25 September, 2010 Insight 3.11 Base Workstation 그림 1. Insight Base 메인메뉴 Insight Base Insight Insight Base, Insight Base Insight Base Insight Windows
안전을 위한 주의사항 제품을 올바르게 사용하여 위험이나 재산상의 피해를 미리 막기 위한 내용이므로 반드시 지켜 주시기 바랍니다. 2 경고 설치 관련 지시사항을 위반했을 때 심각한 상해가 발생하거나 사망에 이를 가능성이 있는 경우 설치하기 전에 반드시 본 기기의 전원을
Digital Video Recorder 간편설명서 XD3316 안전을 위한 주의사항 제품을 올바르게 사용하여 위험이나 재산상의 피해를 미리 막기 위한 내용이므로 반드시 지켜 주시기 바랍니다. 2 경고 설치 관련 지시사항을 위반했을 때 심각한 상해가 발생하거나 사망에 이를 가능성이 있는 경우 설치하기 전에 반드시 본 기기의 전원을 차단하고, 전원 플러그를 동시에
게임백서-상하-색인 목차
2010 White Paper on Korean Games Guide to Korean Games Industry and Culture Chapter 01 Chapter 01 42 2010 White Paper on Korean Games 43 Chapter 01 44 2010 White Paper on Korean Games 45 Chapter 01 46
게임백서-상하-색인 목차
2010 White Paper on Korean Games Guide to Korean Games Industry and Culture Chapter 06 Chapter 06 734 2010 White Paper on Korean Games 735 Chapter 06 736 2010 White Paper on Korean Games 737 Chapter 06
목 차 1 편인공지능기술현황과물분야시사점 Ⅰ. 요약보고서 2 Ⅱ. 본보고서 5 1) 알파고의등장과인공지능 (AI) 5 2) 인공지능의재조명 8 3) 국내외인공지능기술동향 13 4) 인공지능의물분야적용시사점 22 < 참고문헌 > 2 편물분야인공지능기술적용사례 * 2 편이
VOL.2016-15 2016.06.10 GLOBAL 이슈 - ( 분야 ) 공통 기타 인공지능기술현황과물분야시사점 (1 편 ) 물정보포털 www.water.or.kr * 본이슈리포트는발간기관의공식적인의견이아니며, 작성자 ( 연구진 ) 의견해임을밝힙니다. 목 차 1 편인공지능기술현황과물분야시사점 Ⅰ. 요약보고서 2 Ⅱ. 본보고서 5 1) 알파고의등장과인공지능
게임백서-상하-색인 목차
2010 White Paper on Korean Games Guide to Korean Games Industry and Culture Chapter 05 Chapter 05 662 2010 White Paper on Korean Games 663 Chapter 05 664 2010 White Paper on Korean Games 665 Chapter 05