(Lecture 1) Introduction and discussion of project topics

출처: https://developer.nvidia.com/blog/optimizing-memory-and-retrieval-for-graph-neural-networks-with-wholegraph-part-1/

 

출처: https://scitechdaily.com/in-a-striking-discovery-ai-shows-human-like-memory-formation/

 

 

Lecture 1: Introduction and discussion of project topics

 

강의 개요

 

이번 학기에는 USC의 Paul Bogdan 교수님이 가르치는 EE 599: Data Science: Models and Systems 수업을 들었다.
첫 강의에서는 강의의 전반적인 내용, 프로젝트 주제, 그리고 데이터 과학의 기초에 대해 소개를 받았다.

 

강의 주요 내용

 

1. 수업 정보

• 교수님: Paul Bogdan

• 이메일: pbogdan@usc.edu

• 연구 분야: Cyber-Physical Systems, Multiprocessor Systems-on-Chip, Machine Learning 등

 

2. 강의 목표

• 새로운 관점으로 과학 및 공학 문제를 분석하고 해결할 수 있도록 창의적 사고 자극

• 복잡한 시스템(사회, 생물, 기술)의 구조와 기능을 이해하고 미래 시스템을 설계/최적화하기 위한 연구 개발

• 통계, 네트워크, AI 등 다양한 이론적 배경과 최신 연구 동향 학습

 

3. 타겟 대상

• 전기, 컴퓨터, 바이오 엔지니어링 연구 분야 진출을 희망하는 학생

• 독립적인 연구 프로젝트 수행 능력을 키우고자 하는 학생

• 프로젝트 일정 준수와 자기 동기 부여에 자신 있는 사람

 

주요 학습 내용 (지난 학기 날 괴롭혔던 확률에 대한 개념 정리 시간 이였다.)

 

1. Probability Space (확률 공간)

• 샘플 공간 : 사건의 집합과 각 사건의 확률 할당

• 랜덤 변수와 Borel 집합을 기반으로 확률 함수 정의

 

2. Mean and Variance (평균과 분산)

• 기대값과 분산의 계산 방식

• 조건부 기대값 및 독립성의 개념 설명

 

3. 중요 정리

• Bernoulli Theorem (베르누이 정리)

• Moivre–Laplace Theorem (모아브르-라플라스 정리)

• Law of Large Numbers (대수의 법칙)

• Central Limit Theorem (중심극한정리)

 

프로젝트 주제

 

수업에서 다룰 프로젝트 주제는 총 12가지로 구성되어 있다. 이 중 몇 가지를 소개하자면:

• Eigenvalues vs. Ricci Curvature

Ollivier-Ricci 커브를 활용한 커뮤니티 탐지

• Multiwavelet Neural Operator

편미분 방정식을 해결하기 위한 다중 웨이블릿 기반 모델

• Weather Prediction

기상 예측을 위한 머신러닝 모델

• Multimodal Learning

여러 데이터 모달리티를 통합한 학습 모델

 

강의 첫인상

 

강의 자료와 교수님의 설명을 통해 이 수업이 단순한 데이터 과학 강의를 넘어서 다양한 응용 분야와 이론적 배경을 아우르는 내용임을 알 수 있었다. 특히 창의적이고 혁신적인 사고방식을 강조한다는 점이 마음에 들었다.

 

또한 지난 봄학기에 해당 교수님의 수업을 듣고 수업도 괜찮았고, 학점도 잘나왔고 해서 선택을 했는데..

간과한것은 지난 학기 과목과 동일하게, 과제, 퀴즈, 프로젝트 (4번의 마일스톤 레포트, 발표, + 논문형식의 결과 제출..)를 해야한다는걸... 

 

프로젝트 아이디어를 정말 고민 많이 하게 되었다... (잠시 드랍도 고민을...)