Topics in Artificial Intelligence (2017 Spring – 240030)

“Student-teacher relationships are based on trust. Acts, which violate this trust, undermine the educational process. Your classmates and the instructor will not tolerate violations of academic integrity”

1. Course Schedule & Lecture Notes

• March 07 – 과목 소개 및 anaconda(Python) + jupyter(ipython) + TensorFlow 코딩 환경 구축

  • Artificial Intelligence 101

  • 본 수업에서 활용할 프로그래밍 환경

    • 0) JDK (Java Development Kit) 설치 확인
    • 1) anaconda 4.3.0 – Python 3.5 버전 설치
    • 2) tensorflow 설치

    • 3) jupyter notebook 실행

      • 적절한 작업 디렉토리 설정
      • jupyter notebook

    • 파이썬 학습

      • 파이썬 학습 사이트
      • Pandas – 10 minutes tutorial
      • Regular Expression 학습 사이트

    • 첫번째 숙제

      • TensorFlow 101에서 제공되는 슬라이드를 보면서 슬라이드 내에 소개되는 모든 코드를 본인 스스로 작성하기
      • Due Date: 2017년 3월 20일 (월요일), 23:59

    • 숙제 제출 방법

      • jupyter notebook 환경에서 각 숙제별로 ipynb 파일 생성
        • jupyter (구 iPython) 사용법
      • ipynb 파일 내에 코드를 작성하고 작성한 코드 설명시에 Markdown 문법으로 입력해야 함
        • Markdown 사용법은 각자 익힐 것
          • Markdown 사용법
          • Markdown Tutorial
          • Markdown Online Editor
      • 숙제 제출은 https://github.com/linklab/aiclass에 Push 하기
        • 자신의 영문이름으로 폴더 생성하여 그곳에 숙제를 하나씩 제출하기
        • Tip: SourceTree 툴 사용

• March 14 – Neural Networks
  • Artificial Neuron
  • Multiple Neurons

• March 21 – Multi-layer Neural Networks – I

  • TensorFlow Basic

• March 28 – Multi-layer Neural Networks – II

  • TensorFlow Working with Image – 1
  • 참고: TensorFlow Working with Image – 2
  • Linear Regression with TensorFlow
  • Lecture Notes: Multi-layer Neural Networks

• April 04 – Multi-layer Neural Networks – III

  • Single-layer Neural Network with TensorFlow
  • Single-layer Neural Network with TensorFlow – All in One
  • Multi-layer Neural Network with TensorFlow – All in One
  • Homework – 2
    • 독버섯 vs. 식용버섯 – Multi-layer Neural Network

• April 11 – Convolutional Neural Networks – I

  • Matrix (Image) Convolution
  • Lecture Notes: Convolutional Neural Networks
  • CNN with Tensorflow

• April 18 – Convolutional Neural Networks – II

• April 25 – Reinforcement Learning – I

  • Lecture Note

• May 02 – Reinforcement Learning – II

• May 09 – [대선]

• May 16 – Reinforcement Learning – III

  • Lecture Note 2
  • Homework – 3
    • Atari Breakout 학습시키기
      • 참고 동영상: Google Deepmind’s Atari Breakout
      • 참고 코드: BreakOut-0.py
      • ipython nodebook 내에 충분한 주석 달기
      • MUST-DO 숙제는 아님. 하지만, 완료하여 제출하는 학생은 높은 학점 보장
      • Due Date: 2017년 6월 18일

• May 23 – Recurrent Neural Network

  • Lecture Note
  • RNN Input Data Pre-Processing
  • MNIST-RNN with Tensorflow
  • MNIST-Multi-RNN with Tensorflow
  • Sine Function-RNN with Tensorflow

• May 30 – Book Report Presentation

• June 06 – [현충일]

• June 13 – [기말고사]

2. Course Information

• Professor: Youn-Hee Han (Rm. B303, Tel: 560-1486, yhhan@koreatech.ac.kr)
• Github Repository: https://github.com/linklab/aiclass
• Classes: Tuesday (19:00 – 22:00)
• Lecture Room: 4공학관 B318
• Prerequisites
  • Programming background (and experience with Python) required.
• References (Book Report 소스)
  • 인공지능 혁명 2030 : 제4차 산업혁명과 정치혁명의 부상, 더블북, 2016년 9월
  • 4차산업혁명 인공지능 빅데이터 : 세계 최고의 인재를 키우는 기업 경영 & 관리 시스템, 경향BP, 2016년 11월
  • 미래학자의 인공지능 시나리오 – AI 미래보고서, 코리아닷컴, 2016년 10월
  • 인공지능 네트워크와 슈퍼 비즈니스 사물 인터넷, 그 다음 세상, 리더스북, 2016년 4월
  • 인공지능 컴퓨터가 인간을 넘어설 수 있을까?, 한림출판사, 2016년 9월
  • 포스터 프로보스트, 톰 포셋 (강권학 옮김), 비즈니스를 위한 데이터 과학 빅데이터를 바라보는 데이터 마이닝과 분석적 사고, 한빛미디어, 2014년 7월
  • 사토 히로유키 외 (정인식 옮김), 데이터 과학자, 무엇을 배울 것인가 : 빅 데이터 시대의 데이터 과학자 양성 독본, 제이펍, 2014년 6월
  • 니시우치 히로무 (신현호 옮김), 빅데이터를 지배하는 통계의 힘: 통계학이 최강의 학문이다, 비전코리아, 2013년 7월
  • 니시우치 히로무 (신현호 옮김), 빅데이터를 지배하는 통계의 힘: 실무활용 편, 비전코리아, 2015년 8월

3. Logistics

• Attendance – One class absence will result in the deduction of two points out of 100 points. Three absences will not result in ten points deduction, but “failure” (i.e., grade ‘F’) in this course.
• Exam – There will be the final exam for the evaluation of the knowledge learned from the class.
• Book Report – Students should read one of books listed in the references, and submit a book report.
• Home Works – Much evaluation mark will be counted.

4. Evaluation

• Attendance (10%)
• Book Report or Home Works (40%)
• Final Examination (50%)