. [2026-Spring] ▶ [패턴인식 및 기계학습]  (Pattern Recognition and Machine Learning)

• This course provides advanced topics in pattern recognition and machine learning fields. This course aims at fostering graduate students to obtain programming skills (Python or R) to implement the algorithms handled in the lecture. Overall, this course contains six parts: 1) Probability distributions for regression and classification tasks, 2) Dimensionality reduction, 3) Neural networks, 4) Kernel methods, 5) Ensemble learning, and 6) Semi-supervised learning. ※ The lecture schedule may change after checking everyone's availability. I'll talk about it in the first lecture.

   . [2026-Spring] ▶ [기계학습]  (Machine Learning)

• 본 과정은 학습모델이 데이터 패턴을 잘 학습할 수 있도록 기계학습 알고리즘에 대한 전문적인 지식체계를 확립합니다. 빅데이터 주요 개념과 함께 문제 해결능력을 위해 반드시 알아야 할 기계학습 알고리즘을 배웁니다. 수업내용은 군집화, 트리모델과 앙상블모델, 딥러닝과 CNN, RNN, 그리고 오토인코더 및 관련 확장 모델을 포함합니다. 기계학습의 최적화가 수리 최적화와 무엇이 다르고, 주된 기법에는 어떠한 것이 있는지 관련 개념을 다룹니다. Python 언어를 활용하여 실습을 진행하고, 학습한 알고리즘을 구현하는 능력을 집중 배양합니다. 

   . [2026-Spring] ▶ [MLOps엔지니어링]  (Machine Learning Operations Engineering)

• 본 교과목은 AI 서비스를 제공할 수 있는 기반 기술을 소개함과 동시에 최근 널리 활용되고 있는 인공지능 학습 기법을 배우고 실습을 진행합니다. 인공지능 알고리즘을 활용하여 비즈니스의 문제를 해결하고 실용적인 서비스를 제공하기 위한 구체적인 사례를 다루고 실습을 수행합니다. 특히, 실시간 데이터를 수집 단계에서 자주 활용되는 publish/subscribe 구조의 통신 메세지 방식에 대해 설명하고 실시간 추론과 실시간 모델 업데이트에 대한 내용을 제공합니다. 이외 autoML의 일부 역할을 수행하여 자주 활용되는 wandb, clearml 오픈소스 툴과 함께 MLOps의 model lifecyle을 실습할 수 있는 kuberflow 플랫폼을 함께 다루어 봅니다. 학습모델의 서비스 deploy부터 실시간 데이터 수집, 데이터 가공, 모델 구축/업데이트, 예측, 학습모델의 형상관리 등에 대한 인공지능 개발 수명 주기를 포함하며, AutoML, MLOps 컨셉을 다루는 과제를 수행하는 것으로 프로젝트를 수행합니다.