21일 (월) 조정효	22일 (화) 조원상	23일 (수) 한정훈	24일 (목) 김동희	25일 (금) 방정호
10:00 - 11:00	조원상	한정훈 (선형회귀)	조정효 (기초 정보이론)	방정호	방정호
11:10 - 12:10	조원상	한정훈 (로지스틱회귀)	조정효 (정보병목이론)	방정호	방정호
12:10 - 1:30	점심	점심	점심	점심	점심
1:30 - 2:30	조원상	한정훈 (SVM)	조정효 (정보기하학)	김동희 (기초 통계물리)	김동희 (제한 볼츠만 머신)
2:40 - 3:40	조원상	한정훈 (SVM)	조정효 (쿨벡-라이블러 발산)	김동희 (에너지-기반 모형)	김동희 (오토 인코더)
4:00 - 5:00	노영균	하승웅	이성엽	김동겸	황준오

 

유튜브 강의 접속 방법 및 질의 게시판 안내

 

        ◦ 등록을 못 하셨거나 혹은 입장 가능 인원의 한계 등의 이유로 줌 강의실에 접속을 못 하시는 분들은,

       다음의 유튜브 중계를 이용하실 수 있습니다.

        ◦ 접속 링크 (채널이름: School of Computational Sciences, KIAS)

        21일 https://youtu.be/ouHHZqEyuoo

        22일 https://youtu.be/ssIdP7OtZl8

        23일 https://youtu.be/V5AvJKo6VIQ

        24일 https://youtu.be/iIvBCBxk640

        25일 https://youtu.be/EH3smP8F5Ok

       ◦ 강연 화면의 촬영 및 녹화는 허용되지 않습니다.

        ◦ 본 구글 공유문서 링크를 통해서 질문 및 코멘트를 남길 수 있습니다.

 

 

강의내용

 

⦁ 기계학습을 위한 수학과 통계 (조원상/서울대학교)

 

        ◦ 기초확률론과 확률분포 (Probability and Probability Density Functions)

        ◦ 다차원 확률변수와 독립, 상관, 인과 관계 분석 (Independence, Correlation, and Causality)

       ◦ 차원의 축소와 유효차원 (Dimensionality Reduction and Effective Dimensionality)

        ◦ 최적화 이론 (Optimization)

 

⦁ 선형회귀, 로지스틱회귀, 서포트벡터머신 (한정훈/성균관대학교) [자료링크]

 

        ◦ 선형회귀 (Linear Regression)

        ◦ 로지스틱 회귀 (Logistic Regression)

        ◦ 서포트벡터 머신 (Support Vector Machine, SVM)

 

⦁ 정보이론과 기계학습 (조정효/서울대학교) [자료링크]

 

        ◦ 기초 정보이론 (Information Theory)

        ◦ 정보 병목이론 (Information Bottleneck Theory)

        ◦ 정보 기하학 (Information Geometry)

        ◦ 쿨백-라이블러 발산 (Kullback-Leibler Divergence)

 

⦁ 딥러닝과 양자 머신러닝 (방정호/한국전자통신연구원) [자료링크]

 

        ◦ 딥러닝 (Deep Learning)

        ◦ 양자 머신러닝 (Quantum Machine Learning)

 

⦁ 생성모형과 통계물리 (김동희/광주과학기술원) [자료링크]

 

        ◦ 기초 통계물리 (Basic Statistical Physics)

        ◦ 에너지 기반 모형 (Energy-based Models)

        ◦ 제한 볼츠만 머신 (Restricted Boltzmann Machine)

        ◦ 자기부호화기 (Autoencoder)

 

 

특별강연

 

⦁ 확률그래프모델 (노영균/한양대학교) [자료링크]

 

•         ◦ 본 강의에서는 고차원 데이터를 위한 확률 모델을 만들 때 나타나는 직관적이지 않은 현상들을 소개하고 이러한
•        현상들을 고려하기 위해 확률모델이 갖추어야 하는 요소를 설명한다. 이에 대한 해법을 원리적으로 제시하고 있
•        는 확률그래프모델을 소개하고, 확률그래프모델의 개념과 표현 방식, 확률그래프모델을 이용한 간단한 학습과
•        추론의 방법에 대해 소개한다.

 

⦁ 기계학습으로 불변 물리량 탐색 (하승웅/한국과학기술원) [자료링크]

 

•         ◦ 최근, 물리학을 비롯한 자연과학의 다양한 분야에서, 인공지능과 신경망을 이용하여 과학적인 발견을 이뤄내거
•        나 중요한 통계량을 발견하는 시도가 활발히 이루어지고 있다. 본 강의에서는 주어진 고차원 데이터로부터 물리
•        학의 근간이 되는 물리량 중 하나인 불변량(invariant)을 찾아내는 시도에 관한 연구들을 소개한다.

 

⦁ 기계학습의 정보 흐름 시각화 (이성엽/서울대학교) [자료링크]

 

•         ◦ 딥러닝은 우수한 표현 능력을 인정받아 최근 가장 많이 쓰이고 있는 기계학습 모형이지만 그 내부를 이해하고
•        해석하는 것은 어려운 문제이다. 본 강의에서는 딥러닝 내부에서의 정보 흐름을 시각화하는 기법을 소개하고
•        정보 병목 이론에 입각한 분석과 응용 연구를 소개한다. 

 

⦁ 기계학습으로 비가역성 탐색 (김동겸/한국과학기술원) [자료링크]

 

•         ◦ 소산되는 에너지 (열), 즉 엔트로피 생산량은 비평형 프로세스의 에너지 역학을 기술하는 핵심 물리량으로써
•        시스템이 평형상태로부터 얼마나 벗어났는가를 정량화해준다. 그러나 관측하고자 하는 시스템이 매우 작을때는
•        직접적인 열에너지측정이 불가능하기에, 프로세스의 비가역성(엔트로피 생산량)을 추정하는 방법을 통해 
•        간접적으로 알아내야 한다. 본 강의에서는 딥 러닝을 이용하여 자유도가 높은 복잡한 시스템의 비평형 프로세스
•        의 비가역성을 오직 궤적 데이터만 사용하여 추정하는 방법론을 소개한다.

 

⦁ 볼츠만머신의 일반화와 확장모형 (황준오/서울대학교) [자료링크]

 

•         ◦ 볼츠만머신은 대표적인 에너지 기반 모형이지만 이진 값만을 표현할 수 있으며 학습 과정에서 여러 근사 기법이
•        쓰인다는 한계로 인해 다양한 유형의 데이터에 적용하기에는 어려움이 있었다. 본 강의에서는 볼츠만머신의 이
•        같은 한계를 극복하기 위해 어떤 시도와 대안들이 있었는지에 대해 모형의 구조와 학습방법에 대한 변천사를 중
•        심으로 소개한다.