인공지능학 전공은 정보 사회의 발전과 함께 증가하는 인공지능 기술의 수요에 부응하기 위해 마련되었다. 본 전공에서는 딥러닝, 데이터 분석, 자연어 처리 등 인공지능의 기초 이론부터 최신 응용 기술까지 심도 있게 학습한다. 이를 통해 다양한 산업 분야에서 인공지능 기술을 활용할 수 있는 전문적인 역량을 배양하며, 첨단 기술 학습을 통해 미래 산업을 선도할 인재를 양성하고자 한다. 또한, 인공지능 기술의 지속적 발전과 응용 가능성을 탐구하며 학문적 깊이를 더할 수 있는 기회를 제공한다. 인공지능을 전공하는 학생은 데이터사이언스 전공 교과목을 함께 수강하는 것을 권장한다.

GITA303. 인공지능을 위한 수학(Mathematics for artificial intelligence) 2학점

다양한 인공지능 기술을 이해하기 위한 기본적인 수학개념에 대하여 다룬다. 구체적으로 선형대수학, 해석기하학, 행렬 분해, 확률이론 등에 대한 필수 내용을 다루며, 관련한 최적화 문제에 대하여 소개한다.

GITA 304. 파이썬 프로그래밍(Python Programming) 2학점

파이썬 언어의 기초 문법에 대한 개념을 설명하고 이에 대한 응용을 실습한다. 본 교과목은 데이터사이언스 과목을 이수하기 위한 기초 코딩 기술을 제공하며, 본 교과목을 이수한 학생은 파이썬을 이용하여 데이터의 저장, 처리, 분석하는 능력을 갖게 된다.

GITA305. 머신러닝 I(Machine Learing I) 2학점

최근 4차산업혁명시대에 인공지능에 대한 관심히 증가함에 따라 인공지능을 구현하기 위한 머신러닝(기계학습)기법을 공부하는 것을 목표로 한다. 이를 위하여 머신러닝에 많이 사용되는 행렬과 벡터에 대해서 알아보고, 기계학습 기법의 기본이 되는 신경망 모형, 다층 퍼셉트론 등과 이를 확장한 딥러닝 기법 중 합성신경망(CNN)기법에 대해서 학습하도록 한다.

GITA306. 머신러닝 II(Machine Learing II) 2학점

머신러닝1 과목의 심화과정으로 다양한 최신 딥러닝 기법을 공부하는 것을 목표로한다. 다양한 딥러닝 최적화 방법(목적함수, 규제기법 등)과 GAN, 오토인코더, RBM, 그리고 시계열 자료에 적합한 RNN, LSTM등의 딥러닝 기법을 학습하도록 한다.

GITA310. 인공지능개론(Introduction to Artificial Intelligence) 2학점

인공지능에 관한 착상과 논점, 지식표현, 문제해결, 탐색추론기법과 인공지능의 응용과 프로그래밍 언어 등을 다룬다.

GITA311. 영상인식시스템(Image Recognition Systems) 2학점

영상 데이터의 특성을 이해하고, 처리 및 인식을 하기 위한 전통적인 기법과 최근 각광받는 인공신경망 기반 기법을 공부함으로써, 실환경에 적용 가능한 영상인식시스템을 디자인, 개발 및 평가할 수 있는 소양을 갖추도록 한다.

GITA312. 인공지능 기초와 응용(Concepts and Applications to Artificial Intelligence) 2학점

탐색이나 지식표현의 문제를 비롯하여 퍼지이론, 전문가 시스템, 신경회로망, 지능형 에이전트의 개념들을 소개하고 그 응용들을 다룬다.

GITA 315. 파이썬 머신러닝(Python Machine Learning) 2학점

파이썬 프로그래밍 언어와 라이브러리를 이용하여 머신러닝 이론과 알고리즘이 실제로 적용되는 실용 경험을 통해 알고리즘에 대한 보다 깊은 이해와 활용 방안을 터득하도록 한다.

GITA 316. 텐서플로우 활용 기초(Introduction to TensorFlow Applications) [구 : GITS316] 2학점

텐서플로우의 기본 API를 학습하고 수치 계산과 행렬 연산 방법, 파라미터 최적화 방법 등을 학습한다. 그리고 이미지, 동영상, 문자열과 같은 데이터에 대한 기초적인 분석과 활용 사례에 대해 학습하고 이를 통하여 텐서플로우의 활용 기초 능력을 키울 수 있도록 한다.

GITA 317. 파이썬 머신러닝 II(Python Machine Learning II) 2학점

머신러닝 이론과 딥러닝 이론에 대한 기본 학습과 병행하여 이를 실제로 적용하는 실용 경험을 통해 고급 머신러닝 알고리즘에 대한 이해를 높이도록 함과 동시에 이의 구현과 관련 라이브러리의 활용 기술을 터득하도록 한다.

GITA320. 멀티미디어 시스템(Multimedia Systems) 2학점

멀티미디어 정보를 컴퓨터에서 처리하기 위하여 필요한 여러 하드웨어 및 소프트웨어 기술들에 대하여, 멀티미디어 정보 저장 방법, 압축 방법, 동기화 방법, 전송 방법, 상영 방법, 그리고 멀티미디어 프로그래밍 방법, 멀티미디어 응용 등을 중심으로 다룬다.

GITA330. 컴퓨터 그래픽스(Computer Graphics) 2학점

컴퓨터 그래픽스 분야에서 3차원 공간의 물체를 제작하고(형상모델링), 물체의 자연스러운 움직임에 대하여 계산하며(애니메이션), 사실적인 이미지를 생성하여 주는(렌더링)기법들에 대하여 이론적으로 알아본다. 또한 SGI MATA, MS Soft Image 3D, PIXAR Render Man소프트웨어에서 어떠한 방식으로 그러한 이론들을 이용하여 애니메이션 작품을 제작하는가에 대하여 살펴본다.

GITA331. 컴퓨터 애니메이션(Computer Animation) 2학점

컴퓨터상에서의 3차원 물체에 대한 애니메이션 기법에 대하여 다룬다. 본 과목은 컴퓨터 그래픽스에 대한 고급 기법과 렌더링 기법에 대한 기술을 다루고, 애니메이션에 대한 최신 이론과 응용에 대해서 다룬다.

GITA339. 생물 정보학(Bioinformatics) 2학점

생명현상의 규명과 신약개발과 같은 인류복지의 향상을 가져오기 위하여 다양한 생물정보를 분석, 이해하기 위한 방법들을 소개하고 실습한다.

GITA341. 자연언어처리(Natural Language Processing) 2학점

한국어 형태소 분석, 구문분석, 의미분석, 대화분석, 한국어 생성, 기계번역, 대화 인터페이스 기법 등 컴퓨터의 자연언어 이해 및 생성에 관한 전반적인 내용을 다룬다.

GITA345. 상황인식 시스템(Context-aware Pervasive Systems) 2학점

사용자에게 현재 주어진 상황을 인식하고 사용하려는 목적에 맞는 Application을 간단하게 구동하고 쉽게 사용하기 위하여, 상황정보를 활용한 시스템의 필요성이 최근에 급격히 증대되고 있다. 특히, 이동 중에 사용이 가능한 스마트폰의 Mobile응용시스템에서 사용자 주변의 상황정보를 자동으로 인식하여, 수집/저장하고, 통신 기능을 통하여 필요한 서비스를 제공하는 Ubiquitos 환경에서의 상황인식시스템에 대한 개념과 이를 구축하는데 필요한 핵심개발 방법론에 대하여 살펴본다.

GITA346. 지능형시스템(Intelligent Systems) 2학점

계획, 추론, 학습, 의사결정 등과 같은 지능적 행동을 위한 다양한 계산 모델을 살펴보고 소프트웨어 에이전트로 구현하는 방법을 다룬다. 그리고 이러한 방법들이 실제로 적용된 응용상황에 대해 고찰한다.

GITA370. 음성인식 개론(Introduction to Speech Recognition) 2학점

음성인식의 HMM 기반의 음향모델, 통계 기반의 언어모델, 탐색 기능구현 중심으로 대화형 사용자 인터페이스 설계방법을 소개한다. Audio fingerprint의 생성 및 검색 방법을 공부하며, 이를 이용한 응용인 음악검색에 대해서 소개한다.

GITAS371. 정보검색(GITS371)(Information Retrieval) 2학점

이 과목은 대량 정보의 조직적인 색인, 저장, 관리에 필요한 이론과 실제를 교육한다. 특히 대량의 문서를 효과적으로 저장하고 검색할 수 있는 색인, 저장, 검색, 문서분류, 시소러스 구성방법으로 학습하고, 정보검색시스템의 관리와 평가 방법을 학습하며, 주요 정보검색시스템과 전자도서관등에 대한 사례연구 조사를 통해 정보검색의 실제 활용을 이해한다.

GITA385. 딥러닝 기초(Introduction to Deep Learning) 2학점

딥러닝의 기초가 되는 신경망(Neural Network)의 기본 구조 및 동작 원리, 역전파 학습(Backpropagation) 알고리즘, 학습 데이터 및 학습 방법에 대하여 설명하고, 이를 바탕으로 이미지 정보 처리에 많이 사용되는 CNN(Convolutional Neural Network)을 이미지 분류(Image Classification), 객체 인식(Object Detection) 등의 응용에 적용하는 방법에 대하여 설명한다.

GITA386. 빅데이터 마이닝(Big Data Mining) 2학점

메모리에 저장할 수 없는 대용량 데이터베이스로부터 사전에 알려지지 않은 잠재적인 유용한 정보를 추출하는 내용을 다룬다. 유사 항목 검색, 데이터 스트림 처리, 다중빈도 항목 마이닝, 클러스터링, 추천 등 기술을 다룬다. 분산 파일 시스템과 맵리듀스를 바탕으로 대용량 데이터에 작동하는 병렬 알고리즘을 다룬다.

GITA387. 메타버스:이해와 응용(Metaverse:Understanding& Application) 2학점

메타버스에 대한 원론적 이해를 도모하고4R(VR/XR/MR/AR), AI, 3D Graphic Engine등 메타버스를 구성하는 핵심 요소 기술에 대한 기본적 이해를 통해 엔터테인먼트 영역을 넘어 산업 전반으로 메타버스를 확대 적용할 가능성에 관하여 탐구하는 것을 목적으로 한다.또한,산업용 메타버스 플랫폼 구축을 위해 추가적으로 융합되어야 하는 핵심 요소 기술들을 도출하고,특정 산업분야에서 메터버스를 통해 진행되고 있는 공정혁신 사례를 탐구한다.

GITA388. 패턴인식(Pattern Recognition) 2학점

패턴인식은 패턴매칭,통계적 분석,구조적 분석,신경망 처리 등을 이용하여 패턴의 특성을 분석하는 학문이다.본 교과목에서는 통계적 패턴인식 방법,고차원 데이터 처리,군집화 및 신경망 기반 처리 방법 등에 대하여 학습하게 된다.다양한 데이터를 분석하는 알고리즘의 학습을 통하여 데이터를 처리하는 통찰력을 배양하도록 한다.

GITA389. 인공지능 확률통계(Probability and Stastics for AI) 2학점

인공지능,머신러닝,및 데이터 분석 분야에서 사용하는 다양한 확률통계이론을 이해하고 연구하기 위하여 필요한 기본적인 확률통계의 개념을 학습한다.확률분포 모델 및 각 확률분포 모델의 파라메터 추정 방법에 대한 수학적 개념과 계산방법에 대하여 학습한다.그리고 확률론적 모델링 및 분석 이론의 기반이 되는 베이즈 추론 방법에 대한 기본적 개념을 학습한다.

GITA391. 인공지능 종합설계(AI Comprehensive Design) 2학점

IT혁신의 중심으로 떠오르는 인공지능 관련 주요 이론과 기술 발전 방향을 이해하고 주요 머신러닝 알고리즘을 활용한 실제 응용 및 딥러닝(CNN, RNN, Transformer등)의 핵심이론과 알고리즘을 이해하고 텐서플로와 케라쓰를 활용하여 실제 인공지능 종합 설계 기법을 학습한다

GITA392. 음성신호처리개론(Introduction to Speech Signal Processing) 2학점

음성을 포함한 음향 신호처리의 기본원리 및 응용기술의 기초 개념을 익힌다.음향 신호처리에 기본이 되는 관련 디지털신호처리,음성신호의 발생 및 모델링,청각 시스템 및 신호 인지 과정,몇 가지 해석 기법 등의 기초 개념을 이해한다.

GITA393. 추천시스템(Recommender Systems) 2학점

사용자에게 맞춤형 유용한 정보를 제공하여 사용자가 효율적인 의사 결정을 가능하게 한다.본 교과목은 텍스트,그래프,수치형,범주형 데이터를 효율적으로 분석하여 인공지능 기반의 추천시스템을 구축하는 방법을 학습한다.기초적인 내용기반 필터링,협업 필터링부터 최신 딥 뉴럴 네트워크 기반의 모델까지 다양한 추천시스템 모델을 습득한다.

GITA394. 적응필터개론(Introduction to Adaptive Filtering) 2학점

필터의 기초 개념부터 시작하여 적응이 가능한 필터의 기본 원리를 이해하고 다양한 적응필터 알고리즘과 응용을 다룬다.특히, steepest descent방법, LMS및RLS알고리즘에 대해서 살펴보고,관련 문제에 적용해 본다.

GITA395. 수치컴퓨팅 기초(Introduction to Numerical Computing) 2학점

최근 컴퓨팅 연산력의 비약적인 증대로 컴퓨터과학 연구는 이산수학에서 수치해석으로 그 중심이 이동하고 있다. 해당 과목을 통해 학생들은 수치해석에 대한 전반적인 이해 및 해당 프로그래밍에 대한 기초를 학습한다.

GITA396. 생성형 인공지능(Generative AI) 2학점

본 과목은 데이터로부터 새로운 콘텐츠를 생성하는 모델과 기술을 다루는 과목이다. 이. 과목은 생성형 인공지능의 기본 개념부터 고급 응용까지를 다루며 특히 , 딥러닝 기반의 최신 기법들을 중점적으로 학습한다. 수강생들은 . BERT, T5, GPT와 같은 다양한 생성형 인공지능의 원리를 이해하고 와 , chatGPT 같은 최신 기술로의 확장을 통해 생성형 인공지능 분야의 최근 동향을 함께 파악할 수 있다.

GITA397. 딥러닝 기반 음악정보학(Music Information with Deep Learning) 2학점

이 수업에서는 MIR . 분야에서 중요하고 흥미로운 문제들을 딥러닝을 통해 해결하는 방법을 배운다. 이전의 연구들에서는 하나의 문제를 해결하기 위해 방대한 배경 지식과 문제에 특화된 여러가지 계산들이 필요하였지만 딥러닝의 발전으로 인해 다양한 문제를 신경망 학습을 통해 쉽고 정확하게 해결할 수 있게 되었다 음악분야에서 활용되는 딥러닝은 컴퓨터 비전 자연어 처리 음성 인식 및 합성 등의 다양한 분야와 맞닿아 있다 때문에 . 음악에서 원하는 속성을 계산하여 활용하는 방법을 배울 뿐만 아니라 기본적인 딥러닝 프로그래밍에 익숙해져 다양한 분야에도 활용할 수 있을 것이다.

GITA398. 빅데이터 분석을 위한 파이썬 프로그래밍 실습(Python Programming for Big Data Analysis) 2학점

빅데이터 분석을 위한 파이썬 프로그래밍 기술을 기초부터 실습까지 다룬다. 웹 크롤링과 BeautifulSoup을 활용한 데이터 수집부터 Numpy, Pandas를 이용한 데이터 처리, Matplotlib을 통한 시각화까지 빅데이터 분석 전 과정에서 사용되는 주요 라이브러리들의 학습과 실습을 수행한다.

GITA399. 거대언어모델개론(Introduction to Large Language Models) 2학점

현대 인공지능의 핵심 기술 중 하나인 거대언어모델(LLM)의 기본 개념과 원리를 이해하고 이를 활용한 다양한 응용 사례를 탐구한다. 본 교과목에서는 자연어처리의 기초 이론부터 최신 Transformer 기반 모델, 예를 들어 GPT 및 BERT와 같은 LLM의 구조와 작동 방식을 다룬다. 또한, 사전 학습(pretraining) 및 미세 조정(finetuning) 과정, 그리고 모델의 사회적, 윤리적 영향을 포함한 주요 이슈를 학습하여 LLM을 효과적으로 활용하는 방법을 익힌다.

GITA400 AI의 안전과 신뢰성(Trustworthy and Safe AI) 2학점

인공지능 기술의 발전과 함께 대두되는 안전성과 신뢰성 문제를 탐구한다. 본 교과목에서는 AI 시스템의 공정성, 투명성, 설명 가능성, 안전성 등 주요 개념을 학습하며, 이러한 요소들을 확보하기 위한 최신 연구 및 기술적 접근법을 다룬다. 또한, AI 모델의 비의도적 편향, 악의적 사용, 개인정보 보호와 같은 실질적 도전 과제를 살펴보고 이를 해결하기 위한 정책적, 기술적 방안을 탐구하여 신뢰할 수 있는 AI 시스템 구축에 필요한 역량을 배양한다.

GITA401. 강화학습의기초(Introduction to Reinforcement Learning) 2학점

네트워크의 규모가 커질수록 자원을 효율적으로 사용하여 서비스의 품질을 높이는 것이 기술적으로 어려워진다. 본 과목에서는 강화학습과 같은 머신러닝 기법을 활용하여 네트워크 효과적으로 운영하는 방법을 살펴본다.

GITA402 베이즈 통계 모델링(BBayesian Statistical Modeling) 2학점

베이즈 방법론을 기반으로 주어진 데이터에 대하여 확률모형/모델을 구성하고 그 모델의 파라메터에 대한 사후분포 

(posterior distribution)을 구하는 방법에 대하여 학습한다. 베이즈 통계 모델링에 사용되는 확률분포의 종류를 살펴

보고, 구성한 통계모델이 가지는 파라메터들의 사후분포를 구하기 위한 프로그래밍을 이용한 컴퓨터 계산 방법, 계

산 결과의 분석/해석을 위한 요약 및 가시화의 방법을 살펴본다.

GITA403 생성형AI와 파이썬 데이터 분석(Generative AI and Python Data Analysis) 2학점

본 과목은 생성형 AI를 활용하여 파이썬 기반 데이터 분석의 기초를 다지는 입문 과정이다. Numpy, Pandas, Matplot

lib, Seaborn, BeautifulSoup, Scikit-Learn 등 주요 데이터 분석 라이브러리와 머신러닝 기초를 실습 중심으로 학습

하며, 웹 크롤링뿐만 아니라 외부 Open API 호출을 통해 실시간 데이터를 수집하고 처리하는 자동화 기법도 함께 다

룬다. 실제 데이터셋을 활용한 데이터 전처리, 시각화, 분석, 예측을 통해 실무에 바로 적용 가능한 분석 역량을 체계

적으로 배양한다. 수업은 강의와 실습을 병행하며, 생성형 AI와 파이썬을 기반으로 한 실전 프로젝트 중심으로 설계

되었으며, 개별 면담을 통해 프로젝트를 완성하고, 학습한 내용을 현업에 직접 적용할 수 있는 실질적 역량을 기르는 

것을 목표로 한다.

GITA404 생성형 AI의 이해와 활용(Understanding and utilizing generative artificial intelligence) 2학점

본 교과목은 인공지능에 대한 전문 지식이 부족한 학생들을 대상으로 생성형 AI모델과 관련된 다양한 인공지능 기법

에 대한 기본적인 원리를 직관적인 예제를 활용하여 최대한 쉽게 이해할 수 있도록 강의를 진행함으로써, 학생들이 

쉽게 생성형 AI의 원리를 잘 이해하고 활용할 수 있도록 하는 역량을 갖추도록 함을 목표로 한다. 특히 생성형 AI과 

관련이 깊은 자연어처리와 정보검색, 그리고 멀티모달 생성형 AI의 기본적인 원리를 배우고, 향후 생성형 AI가 어떤 

방법으로 physical AI 모델의 핵심 요소 기술인 에이전트 모델로 확대되는지에 대하여 강의한다. 본 교과목에서는 최

근 많이 공개되고 있는 ChatGPT나 Gemini와 같은 생성형 AI와 AI-Hub에서 제공하는 공개 데이터 등을 활용해서 각

자 자신의 분야에서 AI를 이용하여 가치를 높이는 프로젝트를 수행하는 것을 원칙으로 한다. 예를 들어, 실용화 수준

의 사업아이템을 찾아내서 창업 계획서를 작성하거나, 각자 관심있는 분야의 연구과제 제안서를 깊이 있게 작성하거

나, 또는 의미 있는 영상/이미지 등을 제작하는 등의 팀 프로젝트를 제안하고 수행하는 방식으로 진행한다.

GITA405 트랜스포머와 거대언어모델(Transformers and LLMs) 2학점

이 강의는 Transformer와 대규모 언어 모델(LLM)의 세계를 탐구한다.. 자연어처리(NLP) 기법의 발전 과정을 살펴보

고, Transformer 아키텍처의 핵심 구성 요소와 이것이 LLM과 어떻게 연결되는지를 학습한다. 또한 실제 응용 환경에

서 모델 성능을 향상시키기 위한 다양한 기법들도 다룬다. 이론적 내용과 실무적 인사이트를 함께 제공하여, 이 과목

을 통해 LLM을 효과적으로 활용하는 데 필요한 지식과 이해를 갖출 수 있다.미적분학, 선형대수학, 기초적인 머신러

닝 개념에 대한 배경 지식을 가진 수강생에게 적합한 강의이다.