KAIST SW 교육

[2022] 전국 고등학생 대상 SW전공 진로탐색 및 교육 (11/12~13일)

11월 12일

제 1교시

• KAIST 전산학부의 '가치관' (류석영 교수)

Human-Centric-Computing

Computing Science

System and Network

Software Design

Secure Computing

Visual Computing

AI

Social Computing

Interactive Computing

Q. 컴퓨터 코딩을 배워서 뭘 하나요?

• 전산학부는 문제를 해결하는 법을 배우는 곳입니다.
  (like CS처럼)

문제해결 = 요리
코딩 = 칼질

❤️ A. 문제 해결!

---

제 2교시

카이스트 자랑.

• SW 멘토링
• KAIST 활동 및 진로
• KAIST에서 살아남기
• Q&A

제 3교시

• 4차 산업혁명 시대의 빅데이터 종류와 활용 사례 (이재길 교수)

제 4교시

• 빅데이터 실습 (네이버 영화 리뷰 데이터 스크래핑 및 분석 실습)

제 5교시

• SW 전공생 특강 (KAIST 전산학부)

---

---

11월 13일

1교시

• AI 특강 및 실습

Graphics AI

Intelligent AI

Vision AI

AI Application

Knowledge AI Recommedation

Knowledge AI Flitering

AI 개발

제 2교시

• 딥러닝 알고리즘
• 인공지능 실습 (소리 분석 앱 만들기)

딥러닝이란?

• 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습 알고리즘의 집합
• 비선형 함수를 여러 층 쌓아서 만든 것

딥러닝으로 무엇을 할 수 있을? = 우리에게 필요한 함수를 만들어준다.

2층 신경망은 중간 층의 노드 개수가 충분할 때, 모든 함수를 근사할 수 있다.

합성곱 신경망

• 계층적 특성 추출
• 패턴 인식

풀링(pooling)이란?

CNN 전체 구조

1,2,3층 합성곱 신경망

스트라이드

풀링

RNN

시계열 기반 문제 해결의 어려움

과거 데이터들 간 상대적 중요도 추정

과거 데이터 자체 또는 그들 간의 상관관계를 기억해야 함

순환 신경망 세포

• FC NN 또는 CNN에서는 현제 스텝의 입력값이 유일한 입력값임
• 반면, RNN의 한 "뉴런"은 현제 스텝의 입력값으로 받음.

순환의 의미

바로 전 스텝의 출력값을 입력으로 받는 다는 것의 의미

이번 스텝의 연산(예측, 분류 등)을 위해 과거의 데이터를 참조하겠다.

이번 연산의 결과를 통해 계산된 매개 변수 업데이트 값을 시간축을 따라서도 역전파시키겠다.

시계열을 활용하는 예: RNN의 활용

순환 신경망

• 모든 time-step에서 같은 매개 변수를 가지는 같은 함수를 사용한다.
• ht는 기존 신경망의 중간 층 같은 개념
• 다른 점은 시간적으로 앞뒤로 연결이 되어 있다는 것

기본적인 순환 신경망(Vanilla RNN)

과대적합 극복을 통한 딥러닝의 성능 향상: Dropout and Batch Normalization

규제(Regularization)

• 모델의 복잡성은 크게 손해를 보지 않으면서(편향은 거의 무변화), 분산을 많이 줄이는 방법은 없을까?
• 원래 모델을 규제하자: 과하게 복잡한 가설을 세우지 않도록

Review: 앙상블

• 데이터를 여러 개의 학습 세트로 나누어, 동시에 여러 모델을 통한 학습을 진행
• 여러 전문가의 의견을 듣고, 그것을 결합하여 최종 결정을 내리는 방식

• 이를 통해서 과대 적합을 해결

(1) Dropout: 개념

• 신경망의 일부분을 확률적으로 삭제하여 삭제하고 남은 부분으로 학습
• 학습데이터를 가지고 업데이트마다 노드마다 확률적 삭제를 통하여 수행

(2) Batch 정규화(Normalization)

• 평균을 0으로, 분산을 1로 만드는 과정
• 평균 µ, 분산 σ2를 가지는 확률 변수 x가 있다면
• 확률 변수 Z = (x-µ)/σ 는 평균 0, 분산 1을 갖게 됨.

Batch Nomalization

층에 들어오는 평균과 분산을 일치시킴.

동시에 각 층 간의 상관관계를 학습시키기 위해 일치시키는 평균 및 분산 따로 학습

Batch Normalization 해석

• 평균과 분산을 계산하여 모든 층에 주어질 입력 데이터의 분포가 같게 함.
• 은닉 층의 안정적 학습으로 인한 빠른 학습 가능
• 은닉 층이 가질 수 있는 값을 한정지어 변화의 폭 줄임 -> 분산 감소(규제!)
• 내부공변량변화(Internal Convariant Shift)문제 해결로 더 높은 learning rate 사용가능 -> 정규화 과정에서 자동으로 미분값의 크기 조절

제 3교시

• 메타버스의 이해

연관어 분석 결과, 메타버스는 엔터테인먼트, 교육, 쇼핑 등 현실 전반와 관련되어 있습니다. 메타버스를 통해 이미 우리의 일생생활 곳곳에 다양한 형태의 가상형실 세계가 구현되고 있음을 알 수 있습니다.

메타버스 관련해서 긍정적인 키워드가 상대적으로 많았습니다. 긍정적 키워드는 새로운 기술에 대한 기대감이 많았으며, 부정적 키워드는 과몰입에 대한 문제 및 과도한 인기에 대한 우려와 관련되었습니다.

• 가상 현실
• 증강 현실
• 혼합 현실
• 확장 현실

메타버스 활용 사례

• 가상 현실 편의점 'cu 제페토 한강점'
• 아바타의 모슴으로 수료식에 참가한 LG전자 직원들
• DGC 금융 지우 경영진 회의 진행
• 하나 은행 연수원 하나글로벌 캠퍼스 오픈 행사
• 가평 설악 고등학교(재페토 플랫폼에 교실, 도서실 등 구현)-> 동아리, 독서 토론 등에 활용
• 국립 중앙 도서관 도서 관장 메타버스 워크숍 개최
• 상점시 중원 도서관 '한 도서관 한 책 읽기' 시만 참여 행사 개최
• KBS 개표 방송
• 제주, 성산일출봉 등 체험 가능

메타버스 플랫폼

• 로블록스
• 이프렌드
• 제페토
• 게더타운

제 4교시

• 메타버스 실습(이프렌드)

• 메타버스 실습(zep)