´ëÇѱâ°èÇÐȸ ÀΰøÁö´É¸Ó½Å¿¬±¸È¸
2022³â ÀΰøÁö´É °Ü¿ïÇб³ °³ÃÖ ¾È³»
´ëÇѱâ°èÇÐȸ ȸ¿ø ¿©·¯ºÐ, ´ëÇѱâ°èÇÐȸ¿¡¼´Â µö·¯´×, °ÈÇнÀ¿¡ ´ëÇÑ “2022³â ÀΰøÁö´É °Ü¿ïÇб³”¸¦ °³ÃÖÇÕ´Ï´Ù. ¿ì¸® ÇÐȸ ÀΰøÁö´É¸Ó½Å¿¬±¸È¸ ÁÖ°üÀ¸·Î °³ÃֵǴ ±Ý¹ø ±³À°Àº ±â°è »ê¾÷ Àü¹Ý¿¡ Æ¯ÈµÈ ÀÌ·Ð, ±×¸®°í ½ÇÁ¦ Àû¿ëµÈ ´Ù¾çÇÑ ÀÀ¿ë »ç·Ê¸¦ ÁغñÇÏ¿© Â÷º°È¸¦ ¸ð»öÇÏ°íÀÚ ÇÏ¿´½À´Ï´Ù. º» °Ü¿ïÇб³¿¡¼´Â µö·¯´×»Ó¸¸ ¾Æ´Ï¶ó, °È ÇнÀ¿¡ ´ëÇؼµµ ½Éµµ ÀÖ°Ô ´Ù·ê ¿¹Á¤ÀÔ´Ï´Ù. ¶ÇÇÑ ÀΰøÁö´ÉºÐ¾ß ÃÖ°í Àü¹®°¡¸¦ ¸ð½Ã°í ÀΰøÁö´É ±âº» À̷аú ´õºÒ¾î »ê¾÷ü ÇöÀå¿¡¼ ½ÇÁ¦ È°¿ëµÇ°í ÀÖ´Â ´Ù¾çÇÑ ÀΰøÁö´É ÃֽŠ±â¼úµµ ÇÔ²² ¼Ò°³ÇÒ ¼ö ÀÖ´Â ±âȸÀÇ ÀåÀ» ¸¶·ÃÇÏ°íÀÚ ³ë·ÂÇÏ¿´½À´Ï´Ù. ¾Æ¹«ÂÉ·Ï È¸¿ø ¿©·¯ºÐÀÇ ¸¹Àº °ü½É°ú Âü¿©¸¦ ºÎŹµå¸³´Ï´Ù. ¢Â Âü°¡È®Àμ Ãâ·Â¹æ¹ý : »çÀüµî·Ï ½Åû ¹× È®ÀÎ ¹Ù·Î°¡±â[¢Ñ Click] ¢º µî·Ïºñ °áÁ¦ °èÁ¤(ȸ¿ø ¶Ç´Â ºñȸ¿ø) ·Î±×ÀÎ ¢º Âü°¡È®Àμ Ä ¿· “ÀμâÇϱ┠¹öÆ° Ŭ¸¯ ÈÄ Ãâ·Â °¡´É ¢Â Çà »ç ¸í : ´ëÇѱâ°èÇÐȸ 2022³â ÀΰøÁö´É °Ü¿ïÇб³
¢Â ÁÖ ÃÖ : ´ëÇѱâ°èÇÐȸ
¢Â ÁÖ °ü : ÀΰøÁö´É¸Ó½Å¿¬±¸È¸
¢Â °³ÃÖÀÏÀÚ : 2022³â 2¿ù 21ÀÏ(¿ù)~23ÀÏ(¼ö)
¢Â °³ÃÖÀå¼Ò : (¿ÀÇÁ¶óÀÎ) KAIST º»¿ø âÀÇÇнÀ°ü(E11) 412È£ + (¿Â¶óÀÎ) ½Ç½Ã°£ Áß°è
¢Â ÇÁ·Î±×·¥
±¸ ºÐ
½Ã °£
³» ¿ë
° »ç
2. 21.(¿ù) 10½Ã~16½Ã
ÆÄÀ̽㠱â¹ÝÀÇ µö·¯´× À̷аú ½Ç½À
°ÈÇнÀ ÃʱÞ: ±âº» ¹× ÀÀ¿ë ½Ç½À
ÀÌ´öÁø ±³¼ö (ÀüºÏ´ëÇб³)
2. 22.(È) 13½Ã~18½Ã
°ÈÇнÀ Áß±Þ: Áß¿ä ³í¹® ¸®ºä ¹× ÄÚµù
Ȳº¸Á¦¹Î ±³¼ö (KAIST)
ÀΰøÁö´É ÀÀ¿ë »ç·Ê (7½Ã°£)
2. 23.(¼ö) 10½Ã~11½Ã
ÀÀ¿ë1: À¯ÇÑ¿ä¼ÒÇؼ®°ú ÀΰøÁö´É
ÀÌÇʽ ±³¼ö (KAIST)
11½Ã~12½Ã
ÀÀ¿ë2: ÀΰøÁö´ÉÀ» È°¿ëÇÑ ±¸Á¶¹° °ÇÀü¼º ¸ð´ÏÅ͸µ
À±Çüö ±³¼ö (ÃæºÏ´ëÇб³)
13½Ã~14½Ã
ÀÀ¿ë3: µö·¯´×°ú Áøµ¿/À½Çâ °íÀ¯ ¸ðµåÀÇ ¸¸³²
ÀÌÁø¿ì ±³¼ö (¾ÆÁÖ´ëÇб³)
14½Ã~15½Ã
ÀÀ¿ë4: ÀΰøÁö´É ±â¹Ý ±¤´ÜÃþ ÀǷ῵»ó
À¯È«±â ±³¼ö (KAIST)
15½Ã~16½Ã
ÀÀ¿ë5: µö·¯´× ±â¹Ý ³·ùÇؼ®
ÀÌâÈÆ ±³¼ö (¿¬¼¼´ëÇб³)
16½Ã~17½Ã
ÀÀ¿ë6: ½Ã¹Î»çÁøÀ» ÀΰøÁö´É µ¥ÀÌÅÍ·Î: »çȸÀÎÇÁ¶ó »ý¾ÖÁÖ±â°ü¸® ¾îÇø®ÄÉÀ̼Ç
ÃÖÁ¾¼º ±³¼ö (SUNY)
17½Ã~18½Ã
ÀÀ¿ë7: Ç×°ø¿ìÁÖ»ê¾÷ºÐ¾ß ÀÀ¿ë»ç·Ê ¼Ò°³
ÀÓÀçÇõ ±³¼ö (ÀüºÏ´ëÇб³)
¢Â °ÀÇ ³»¿ë ¼Ò°³
Á¦ ¸ñ
ÀΰøÁö´É ÀÌ·Ð:
µö·¯´×
µö·¯´× °³¿ä, ÆÄÀ̽㠰³¿ä, Visual Studio Code °³¿ä Regression, Classification, MLP, CNN, Regularization, Inception/ResNet ÀÌ·Ð °ü·Ã ¿¹Á¦
°ÈÇнÀ ÃʱÞ
Markov Decision Process (MDP), Dynamic Programming, Temporal Difference, Monte Carlo Prediction, SARSA, Q-learning, Policy-gradient Method, Actor-critic Method ÀÌ·Ð °ü·Ã ¿¹Á¦
°ÈÇнÀ Áß±Þ
Deep Reinforcement Learning (Gaussian policy, Softmax policy, Value Function Types) DQN, PPO, SAC, DDPG¸¦ Æ÷ÇÔÇÏ´Â Advanced Methods ÀÌ·Ð °ü·Ã ¿¹Á¦
ÀΰøÁö´É ÀÀ¿ë »ç·Ê
ÀÀ ¿ë 1: À¯ÇÑ¿ä¼ÒÇؼ®°ú ÀΰøÁö´É (ÀÌÇʽ ±³¼ö) À¯ÇÑ¿ä¼Ò¹ý(Finite Element Method)Àº źźÇÑ ¼öÇÐÀû ¹× ¿ªÇÐÀû ±âÃʸ¦ °¡Áö°í ÀÖÀ¸¸ç, À¯ÇÑ¿ä¼ÒÇؼ®Àº °ÅÀÇ ¸ðµç ¿£Áö´Ï¾î¸µ ÇöÀå¿¡¼ ¸Å¿ì Áß¿äÇÑ µµ±¸·Î¼ ³Î¸® ÀÌ¿ëµÈ´Ù. À¯ÇÑ¿ä¼ÒÇؼ®¿¡ ÀÖ¾î¼ ÇØÀÇ Á¤È®µµ¸¦ Çâ»ó½ÃÅ°±â À§ÇØ ÀΰøÁö´ÉÀÌ È°¿ëµÉ ¼ö ÀÖÀ½À» ÀÀ¿ë»ç·Ê¸¦ ÅëÇØ º¸¿©ÁÖ°íÀÚ ÇÑ´Ù. ÀÀ¿ë 2: ÀΰøÁö´ÉÀ» È°¿ëÇÑ ±¸Á¶¹° °ÇÀü¼º ¸ð´ÏÅ͸µ (À±Çüö ±³¼ö) ±³·®, ºôµù µîÀÇ ±¸Á¶¹°ÀÇ °ÇÀü¼ºÀ» ÀΰøÁö´ÉÀ» È°¿ëÇÏ¿© ¸ð´ÏÅ͸µ ÇÏ´Â ¹æ¹ýµé¿¡ ´ëÇØ ¼Ò°³ ÀÀ¿ë 3: µö·¯´×°ú Áøµ¿/À½Çâ °íÀ¯ ¸ðµåÀÇ ¸¸³² (ÀÌÁø¿ì ±³¼ö) µö·¯´×À» ÀÌ¿ëÇÑ Áøµ¿ °íÀ¯ ¸ðµå ±â¿©µµ¿Í À½Çâ °íÀ¯ ¸ðµå ¿¹Ãø ¿¬±¸ ¼Ò°³ ÀÀ¿ë 4: ÀΰøÁö´É ±â¹Ý ±¤´ÜÃþ ÀǷ῵»ó (À¯È«±â ±³¼ö) ¸Ó½Å·¯´× ±â¼úÀ» ÀÌ¿ëÇÏ¿© ±¤´ÜÃþ ÀǷ῵»óÀÇ ¿µ»ó ºÐÇÒ, ºÐ·ù, À§Ç輺 Æò°¡ ¹× ¿µ»ó Ç°Áú Çâ»ó ¿¬±¸ Àû¿ë »ç·Ê ¼Ò°³ ÀÀ¿ë 5: µö·¯´× ±â¹Ý ³·ùÇؼ® (ÀÌâÈÆ ±³¼ö) ´ÙÁß ½ºÄÉÀÏÀÇ ºñ¼±Çü Çö»óÀÎ ³·ùÀÇ ¿¹Ãø ¹× Á¦¾î¿¡ ÃֽŠµö·¯´× ±â¹ýÀÇ Àû¿ë »ç·Ê¸¦ ¼Ò°³ ÀÀ¿ë 6: ½Ã¹Î»çÁøÀ» ÀΰøÁö´É µ¥ÀÌÅÍ·Î: »çȸÀÎÇÁ¶ó »ý¾ÖÁÖ±â°ü¸® ¾îÇø®ÄÉÀÌ¼Ç (ÃÖÁ¾¼º ±³¼ö) ºñÀü¹®°¡ÀÇ »çÁøÀ» °íÇ°ÁúÀÇ µö·¯´×¿ë µ¥ÀÌÅÍ·Î ÀüȯÇØÁÖ´Â »çÀü ÇÊÅ͸µ±â¼ú·Î¼, È°¿ëµµ°¡ ³·¾Ò´ø ±âÁ¸ ´ë¿ë·®µ¥ÀÌÅÍÀÇ À̿뼺À» ȹ±âÀûÀ¸·Î Áõ´ë½ÃÄÑÁÖ´Â ±â¼ú, »çȸÀÎÇÁ¶ó°ü¸® ¾îÇø®ÄÉÀ̼ǿ¡ º» ±â¼úÀ» Àû¿ëÇÏ¿© °ËÁõ ÀÀ¿ë 7: Ç×°ø¿ìÁÖ»ê¾÷ºÐ¾ß ÀÀ¿ë»ç·Ê ¼Ò°³ (ÀÓÀçÇõ ±³¼ö) µö·¯´×/±â°èÇнÀ ±â¼úµéÀÌ Àû¿ëµÈ º¹ÇÕÀç·áÀÇ ±¸¼ºÀç·áÀÇ »óºÐ·ù/¹Ì½Ã¿ªÇÐ ÀÀ¿ë, Ç×°ø±â ºí·¹ÀÌµå µ¿Æ¯¼º ¿¹Ãø µî ´Ù¾çÇÑ ÀÀ¿ë»ç·Ê ¼Ò°³
* ½Ç½À °ü·Ã ¾È³» »çÇ× - ±³À°¿¡ ÇÊ¿äÇÑ ½Ç½ÀÄڵ带 ÀüºÎ Á¦°øÇÏÁö¸¸, °½Àȸ¿¡¼´Â ÀÌ·Ð ¼³¸í°ú µ¥¸ð À§ÁÖ·Î ¼ö¾÷À» ÁøÇàÇÕ´Ï´Ù. - ¼³Ä¡ ÇÁ·Î±×·¥Àº µî·ÏÇÑ ºÐ¿¡°Ô¸¸ ¸ÞÀÏ·Î ¹ß¼ÛÇØ µå¸± ¿¹Á¤ÀÔ´Ï´Ù.
¢Â µî·Ï ¾È³» 1. µî·Ï Á¢¼ö ¸¶°¨ : 2022. 2. 9.(¼ö)±îÁö ¢Ñ [µî·Ï ¹Ù·Î°¡±â]
2. °½Àºñ
(¿ÀÇÁ¶óÀÎ Âü¼® ½Ã, 50¸í ¼±Âø¼ø ¸¶°¨, ¹æ¿ª Æнº Àû¿ë)
* ºñȸ¿øÀÌ À̷аú ÀÀ¿ë ¸ðµÎ ¼ö° ½Ã, µÑ Áß ÇϳªÀÇ ºñ¿ë¸¸ ºñȸ¿ø°¡·Î Àû¿ëÇÕ´Ï´Ù. * ºñȸ¿ø µî·Ï ½Ã 1³â°£ ÇÐȸ ȸ¿ø ÀÚ°ÝÀ» ºÎ¿©ÇÕ´Ï´Ù. * °ÀDZ³À縦 ÇϵåÄ«ÇÇ + ¼ÒÇÁƮīÇÇ ÇüÅ·ΠÁ¦°øÇÕ´Ï´Ù. * Äڷγª·Î ÀÎÇØ Á¡½É ½Ä»ç´Â Á¦°øÇÏÁö ¾Ê½À´Ï´Ù. (¿Â¶óÀÎ Âü¼® ½Ã)
* ºñȸ¿øÀÌ À̷аú ÀÀ¿ë ¸ðµÎ ¼ö° ½Ã, µÑ Áß ÇϳªÀÇ ºñ¿ë¸¸ ºñȸ¿ø°¡·Î Àû¿ëÇÕ´Ï´Ù. * ºñȸ¿ø µî·Ï ½Ã 1³â°£ ÇÐȸ ȸ¿ø ÀÚ°ÝÀ» ºÎ¿©ÇÕ´Ï´Ù. * °ÀDZ³À縦 ¼ÒÇÁƮīÇÇ ÇüÅ·ΠÁ¦°øÇÕ´Ï´Ù.
3. µî·Ïºñ ³³ºÎ¹æ¹ý ¢Å ÀºÇàÀ» ÀÌ¿ëÇÑ ³³ºÎ¹æ¹ý : ¿ì¸®ÀºÇà / ´ëÇѱâ°èÇÐȸ / 1005-403-359047 ¢Å Ä«µå ¹× °èÁÂÀÌü ÀÌ¿ëÇÑ ³³ºÎ¹æ¹ý: »çÀüµî·Ï ÆäÀÌÁö¿¡¼ ÀüÀÚ°áÁ¦½Ã½ºÅÛ ÀÌ¿ë
¢Â Çà»ç ¹®ÀÇ ´ëÇѱâ°èÇÐȸ ÀÓ¼ÒÀº »ç¿ø(02-501-3605, editorial@j-mst.org)
´ëÇѱâ°èÇÐȸ ÀΰøÁö´É¸Ó½Å¿¬±¸È¸ ȸÀå ÀÌ ½Â ö
´ë ÇÑ ±â °è ÇРȸ ȸ Àå ÀÌ Àç Á¾