소프트웨어융합대학원

주요 과목 소개

프로그래밍특론 (Advanced Programming)

파이썬 프로그래밍 언어를 이용하여 기초적인 프로그래밍 스킬을 학습하여 전공과정을 이수하는데 필요한 기초를 다질 수 있도록 한다.

컴퓨터시스템I (Computer Systems I)

컴퓨터 사이언스의 기초 이론(컴퓨터 구조, 운영체제, 네트워크, 데이터베이스 등)을 학습한다.

컴퓨터시스템II (Computer Systems II)

빅데이터, 인공지능, 머신러닝, IoT, 모바일, 오픈 소스 등 컴퓨터 시스템 응용 분야의 특징과 발전 방향에 대해 연구한다.

파이썬응용프로그래밍 (Python Application Programming)

게임을 소재로 하는 응용 프로그래밍 실습을 통하여 사용자 상호작용이 포함되는 프로그래밍 기법을 익히고, 게임에 적용되는 알고리즘을 파이썬 프로그래밍 언어로 구현하여 프로그래밍 기초를 다진다.

파이썬매시업프로젝트 (Python Mashup Project)

OpenAPI, 프레임워크 등을 활용하여 인터넷 응용 프로그램을 작성하는 프로젝트의 수행을 통하여 웹 기반 응용 개발의 기초를 익히고, 간단한 매시업 응용을 개발할 수 있는 역량을 확보한다.

알고리즘특론(Advanced Analysis of Algorithms)

계산적 사고의 핵심인 알고리즘 역량을 높이기 위한 고급 자료 구조, 알고리즘을 학습한다. 정보 올림피아드 스타일의 알고리즘 문제를 해결할 수 있다.

웹개발기초(Web Development)

웹개발에 필요한 기본적인 기술의 이론을 학습하고 실습을 통해서 웹 서비스를 구현해보는 경험을 할 수 있다.

소프트웨어공학(Software Engineering)

소프트웨어를 적정 시간과 비용 내에 개발하고 수정하기 위한 프로세스에 대해 학습하고, 다양한 실무 사례를 살펴본다.

자료구조(Data Structures)

문제 해결에 필요한 다양한 자료구조들의 개념 및 사용법과 알고리즘 기술에 필요한 원칙과 기법을 소개하며, 스택(stack), 큐(queue), 정렬(sorting), 검색(searching) 등을 구현하고 분석한다.

소프트웨어프로젝트(Software Projects)

팀 프로젝트로 소프트웨어(모바일 앱, 게임, 웹 서비스 등) 개발을 수행하여, 협업 능력 및 문제 해결 역량을 증진시킨다.

인공지능개론 (Introduction to Artificial Intelligence)

인공지능 용어, 기술적 기초, 필요성, 작동원리, 인공지능의 한계, 활용사례, 전망 등 인공지능의 기초를 다룸으로써, 기술적인 지식이나 배경이 없는 학생도 이 강좌를 통하여 인공지능 전공 과정을 이수하는데 필요한 기초를 다질 수 있도록 한다.

소프트웨어설계 (Software Design)

깨끗한 코드를 작성하기 위한 원칙들과 이를 위해 소프트웨어 내/외부 설계를 위한 방안을 학습한다. 더불어 프로그래밍 실무에서 자주 마추질 수 있는 문제와 이를 해결하기 위해 자주 사용되는 설계 패턴 및 사례를 실습을 통해 학습한다.

컴퓨터네트워크 (Computer Network)

이 과목은 우선 컴퓨터 통신과 네트워킹의 기본 개념을 5개의 계층으로 구성된 인터넷을 기반으로 공부하게 된다. 우선 컴퓨터 네트워킹의 개요를 설명하고, 최상위 응용 계층부터 데이터링크 계층까지 위에서 아래로 차례대로 공부한다. 응용 계층 학습 시기에는 실제로 응용 프로그램을 개발할 수 있도록 소켓 프로그래밍을 공부하고, 간단한 실습을 진행한다.

클라우드컴퓨팅 (Cloud Computing)

아마존 웹서비스(AWS) 등 클라우드 컴퓨팅 서비스를 활용하여 가상화된 컴퓨팅 환경을 구축하고 이를 이용하여 소프트웨어/서비스를 개발하는 기법과 개발된 소프트웨어/서비스를 배포하는 방법을 익히고 프로젝트를 통한 실습을 수행한다.

졸업논문/졸업프로젝트 (Thesis/Capstone Project)

졸업학기에 석사학위논문 또는 프로젝트를 통한 졸업 요건을 갖추는 데 필요한 연구개발 활동에 대하여 학점을 부여한다.

데이터분석 (Data Analysis)

공공 데이터를 활용하여 데이터 전처리, 데이터 시각화등을 다루며, 알고리즘을 이용하여 인공지능 예측 모델을 학습한다.

기계학습기초(Introduction to Machine Learning)

기계학습의 기초 원리를 이해하고 지도/비지도학습의 응용사례를 통하여 기계학습이 적용될 수 있는 응용 분야를 탐색하고 실습을 통하여 데이터 기반의 추론 기법을 익힌다.

딥러닝기초(Introduction to Deep Learning)

딥러닝(Deep Learning)의 기초 원리를 이해하고 실제 산업계에서 수집된 많은 양의 데이터를 이용한 딥러닝 실습 프로젝트를 통하여 네트워크 모델의 설계와 응용 원리를 학습한다.

인공지능영상처리(Computer Vision and Artificial Intelligence)

인간의 시각(vision)을 모사하는 컴퓨터 비전 분야에 적용된 인공지능 기술의 기초를 배우고 이미지 분류, 장면 검출, 객체 인식 등의 프로젝트를 통하여 시각 인공지능 분야의 기본 지식을 확보한다.

인공지능자연어처리(Natural Language Processing Fundamentals and Application)

인공지능을 활용한 자연어 처리의 기본 원리와 응용 사례를 학습한다. 기계번역, 문서요약, 텍스트 마이닝, 감성분석 등 여러 가지 자연어 처리 응용 기술을 배우고, 이를 활용하는 다양한 실제 시스템 예제를 다룬다.

인공지능추천시스템(Recommendation Systems)

개인 맞춤형의 상품/서비스의 추천이 이루어지는 원리를 학습하고 추천 시스템에 응용되는 인공지능 기술을 습득하여 간단한 추천 시스템을 구축해 본다.

기계학습프로젝트(Machine Learning Projects)

산업체 또는 공공기관 등에서 수집된 실제 환경에서의 데이터를 이용하여 실현할 수 있는 응용을 설계하고 데이터의 전처리, 추론 및 검증에 걸친 프로젝트 전주기를 아우르는 실습을 행한다.

인공지능수학(Mathematic Fundamentals for Artificial Intelligence)

인공지능 기술의 기반 원리를 구성하는 수학적 요소인 선형대수학, 확률론 등을 배우고 연습문제를 직접 해결해 봄으로써 인공지능을 가능하게 하는 배경을 이해한다.

인공지능과사회(Future of AI Society)

인공지능과의 융합으로 만들어지는 미래 사회를 디자인해 보는 과목으로서, 인공지능을 활용하는 비즈니스의 기획 및 실현 과정을 통하여 인공지능 시대에 고려해야 할 사회적, 윤리적 영향 및 다양한 영역에서의 기회와 리스크를 다룬다.

인공지능과비즈니스 (AI Business Opportunities)

전통적인 비즈니스 체계에 인공지능 기술이 가져오는 변화를 이해하고 분석함으로써, 이후에 인공지능기술에 의하여 새롭게 발생하는 비즈니스 기회와 모델을 탐색한다.

인공지능세미나(Artificial Intelligence Seminars)

인공지능 응용 분야에 종사하는 전문가들을 초청하여 특강 형태의 세미나를 행한다.

인공지능연구 (Artificial Intelligence Research)

인공지능 기술 연구의 최신 동향을 파악하고, 유력 학술지에 발표된 논문들을 읽고 내용에 대한 분석과 토의를 통하여 기술 분야에 대한 깊이 있는 이해를 도모한다.

AI 응용시스템의 이해와 구축 (Applied AI system in Production)

딥러닝 분야에서 실사 수준(Photo Realistic)의 고차원 이미지를 생성하는데 사용되던 VAE, GAN 기술외에 최근에는 Normalizing Flow, Denoising Diffusion Probabilistic Model 등의 기법들도 활발히 연구되고 성과를 내고 있는 추세이다. 본 수업에서는 생성모델 관련 기본 이론을 살펴보고 pytorch를 통한 실습을 통해 이를 응용할 수 있는 방법에 대해 배운다.

인공지능보안 (Introduction to Computer and Network Security)

컴퓨터 및 네트워크 보안 관련 문제와 그 해결 방법에 대한 입문 지식을 학습합니다. 또한, 보안과 인공지능(AI)의 영역을 결합한 기술을 알아봅니다.

생성모델응용 (Application of Generative Model)

딥러닝 분야에서 실사 수준(Photo Realistic)의 고차원 이미지를 생성하는데  사용되던 VAE, GAN 기술외에 최근에는 Normalizing Flow, Denoising Diffusion Probabilistic Model 등의 기법들도 활발히 연구되고 성과를 내고 있는 추세이다. 본 수업에서는 생성모델 관련 기본 이론을 살펴보고 pytorch를 통한 실습을 통해 이를 응용할 수 있는 방법에 대해 배운다.