발전기금
교과목명을 클릭하시면 과정 설명을 볼 수 있습니다.
| 학수번호 | 교과목명 | 학점 |
자기 학습 시간 |
영역 | 학위 |
이수 학년 |
비고 | 언어 |
개설 여부 |
|---|---|---|---|---|---|---|---|---|---|
| AIM4003 | 자연어처리개론 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 인공지능학과 | 한 | Yes |
| 본 과목에서는 자연어를 분석하고 생성하는 이론과 기술에 대한 전반적인 내용을 다룬다. 구체적으로 텍스트 수집, 텍스트 전처리, 문서 통계 분석, 문서 분류 및 성능 평가, 구문 분석, 파싱, 개체명 인식, 텍스트 벡터화, 텍스트 클러스터링, 텍스트 생성, 토픽 모델링, 유사문서, 요약, 단어 임베딩, 언어 모델 등의 주제를 다루며, 다양한 실전 문제를 해결하는 방식을 이해한다. 본 과목의 목표는 실전 자연어처리 문제를 해결하는 프로그램을 작성하는 것이다. 본 과목을 수강하기 위해서 파이썬 프로그래밍, 기계 학습 및 딥러닝 모델을 이해하고 구현할 수 있어야 한다. | |||||||||
| AIM4004 | 인공지능에이전트개론 | 3 | 6 | 전공 | 학사/석사 | 1-8 | 인공지능학과 | - | No |
| 본 과목은 ChatGPT와 같은 현대 AI 서비스가 어떠한 기술적 기반 위에서 구축되고 동작하는지를 이해하는 것을 목표로 한다. 단순한 모델의 작동 원리를 넘어, 실제 상용 수준의 AI 서비스가 구현되기 위해 필요한 전체 기술 스택(Full Tech Stack)을 폭넓게 조망한다. 이를 위해 Transformer 기반 모델 구조, 사전학습·미세조정·지시학습(Instruction Tuning) 등 최신 LLM 개발 패러다임부터 시작하여, 프롬프트 엔지니어링, RAG(Retrieval-Augmented Generation), 에이전트 계획·추론(Planning & Reasoning), 멀티 에이전트 협력, 도구 사용(Tool Use) 등 실제 에이전트 시스템 구현 관점의 핵심 요소들을 단계적으로 학습한다. 또한 최신 연구 논문 및 결과를 분석하여 빠르게 변화하는 기술 트렌드를 파악하고, 이를 바탕으로 고도화된 AI 시스템을 직접 설계하고 구축할 수 있는 역량을 기르는 것을 목표로 한다. | |||||||||
| ESW4001 | 가상현실론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | - | No | |
| 가상현실은 컴퓨터공학을 기반으로 다양한 분야를 융합하는 차세대 미디어이다. 본 과목은 가상현실에 대한 기술적인 측면에 초점을 맞추어 이론적인 기초, 하드웨어/소프트웨어와 그 응용에 대해서 다룬다. 주요한 주제는 가상현실 시스템, 컴퓨터그래픽스 기초와 3D 입체 렌더링, 시각/청각/촉각 지각, 3D 상호작용과 실용적인 구현 기법을 다룬다. | |||||||||
| ESW4004 | 분산컴퓨팅원론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 영 | Yes | |
| 대규모 데이터 처리의 중요성이 증가함에 따라, 분산 시스템은 점점 중요해지고 있으며 인공지능을 포함한 다양한 도메인에서 널리 사용되고 있다. 분산 시스템은 네트워크로 연결된 독립된 컴퓨터들의 집합체로 하나의 일관된 시스템으로 동작하는 시스템이다. 이 수업의 주요 목표는 분산 시스템의 주요 설계 원리를 학습하고, 분산된 컴퓨팅 자원을 관리하는 방법을 이해하며, 분산 합의 프로토콜, 일관성 및 결함 내성을 보장하기 위한 여러 방법 및 최신 분산 플랫폼들을 학습한다. | |||||||||
| ESW4006 | 정보시각화 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 한 | Yes | |
| 데이터 저장 및 처리 기술의 발달로 인해 인간이 다루는 데이터의 크기는 전례 없는 속도로 증가하고 있다. 이러한 데이터 크기의 증가에도 불구하고 인간의 인지 능력은 과거에서 크게 변하지 않아 인간과 데이터 사이의 정보 장벽이 심화되고 있다. 정보시각화(Information Visualization)는 이러한 정보 과부하를 효과적인 시각적 표현을 이용하여 해결한다. 본 교과목에서는 시각화를 효과적으로 디자인하고, 평가하고, 비평하는 방법을 학습한다. 또한, 인간의 인지적 특성과 이것이 어떻게 시각화에 이용되는지 배우고, 이것이 적용된 실제 시각화 및 상호작용 방법을 다룬다. 마지막으로, 이러한 인터랙티브한 데이터 시각화를 컴퓨터에서 구현하는 방법에 대해서 실습한다. 본 교과목에서 다룰 주제는 아래와 같다. - 정보시각화의 토대, 탐색적 데이터 분석, 시각적 분석 - 데이터 및 과업(task) 추상화 - 테이블, 지도, 네트워크, 텍스트, 불확실성 시각화 - 대용량 고차원 데이터를 위한 시각화 - 기계학습 기술의 설명력과 신뢰도를 위한 시각화 | |||||||||
| ESW4014 | 강화학습개론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 한 | Yes | |
| 본 과목은 주어진 환경에서 최적의 행동 정책을 찾는 강화 학습 (Reinforcement Learning, RL) 기초 이론과 알고리즘에 대해서 배운다. Markov Decision Process, Planning, Q-learning 과 같은 강화 학습 기초 이론부터 Value Function Approximation, Policy Gradient Method 와 같은 심층 신경망 기반 강화 학습 알고리즘을 다룬다. 더불어 환경 모사를 통한 Model-based RL, Exploitation & Exploration Trade-off, 전문가의 행동을 모방하는 Inverse RL 에 대해서도 학습한다. 본 과목을 이수하기 위해선 자료구조, 알고리즘 및 기계학습 등에 대한 기초 지식이 필요하다. | |||||||||
| ESW4024 | 추천시스템개론 | 3 | 6 | 전공 | 학사/석사 | 1-4 | 소프트웨어학과 | - | No |
| 추천 시스템은 사용자의 클릭/구매 이력과 항목의 콘텐츠 정보를 활용하여 사용자의 숨겨진 선호도를 추론하고, 이를 기반으로 사용자가 좋아할만한 항목을 제공하는 것을 목표로 한다. 추천 시스템은 대규모의 데이터에서 유용한 정보를 찾아주는 대표적인 정보 필터링 방법으로 다양한 웹 애플리케이션 및 E-Commerce에서 폭넓게 활용되고 있다. 본 수업에서는 이와 같은 추천 시스템을 구현하기 위한 대표적인 추천 모델에 대해서 다룬다. 구체적으로, 사용자 이력만을 활용하는 협업 필터링(Collaborative Filtering)과 항목의 콘텐츠 간 유사도를 활용하는 콘텐츠 기반 필터링 기법에 대해서 다룬다. 특히 협업 필터링은 이웃 기반의 방법론과 모델 기반의 방법론에 대해서 다루며, 모델 기반은 전통적인 선형 모델부터 최근의 신경망 기반의 비선형 모델에 대해서 폭넓게 살펴본다. 또한, 최근 사용자의 순서 이력을 고려한 시계열 기반 추천 모델과 콘텐츠와 이력 정보를 함께 활용하는 행렬 분해 머신(Factorization machines)에 대해서도 살펴본다. 특히, 이와 같은 추천 모델을 직접 구현하여 성능 비교 및 장단점에 대해서 함께 살펴본다. | |||||||||
| ESW4028 | 생성형인공지능특론 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | 영 | Yes | |
| 본 과목은 현대 인공지능 연구의 핵심인 생성형 AI(Generative AI)의 이론적 토대와 이를 활용한 최신 에이전트 시스템 구현을 심도 있게 다루는 과목이다. 확률적 생성 모델, VAE, GAN, Diffusion Model 등 생성형 인공지능의 핵심 원리를 학습하고, 대규모 언어모델(LLM)의 최신 개발 패러다임 (추론 모델(Reasoning Model), 에이전틱 모델(Agentic Model), 시뮬레이션 기반 강화학습 등)을 분석한다. 이러한 이론적 모델이 ChatGPT와 같은 실제 상용 서비스로 구현되는 과정을 전체 기술 스택(Full Tech Stack) 관점에서 탐구하며, 프롬프트 엔지니어링, RAG(Retrieval-Augmented Generation), 도구 사용(Tool Use), 멀티 에이전트 협력 등 고도화된 시스템 구축 기술을 실습하여, 생성형 AI 기술을 연구하거나 산업 현장에 적용하고자 하는 대학원생에게 필수적인 이론적 기반과 실전 역량을 갖추도록 하는 것을 목표로 한다. | |||||||||
| ESW4029 | 금융기계학습과인공지능 | 3 | 6 | 전공 | 학사/석사 | 소프트웨어학과 | - | No | |
| 금융 분야에서 이용하는 데이터 규모는 엄청난 속도로 증가하고 있으며, 전통적인 재무/금융 데이터를 넘어 비재무적 데이터의 사용도 늘어나고 있다. 학생들이 금융 분야에서 경쟁력을 가지기 위해서는 기계학습과 AI 모델을 사용하여 이런 데이터를 다룰 수 있는 능력을 갖춰야 한다. 이 과목은 기계학습, 데이터사이언스, 인공지능의 기초를 배운 후 이를 금융 데이터 적용하는 수업을 통해 학생들이 금융 분야 데이터를 다루는 능력을 함양하는데 목표가 있다. | |||||||||
| ESW7002 | 지능형네트워크보안데이터모델링 | 3 | 6 | 전공 | 학사/석사/박사 | 1-4 | 소프트웨어학과 | - | No |
| 본 교과목은 지능형 네트워크와 보안을 위한 데이터 모델링과 관리 자동화를 가르치는 것을 목표로 한다. 본 교과목은 소프트웨어정의네트워크와 네트워크 함수 가상화에서 다양한 네트워크와 보안 서비스를 위해 인터넷표준화기구인 IETF(Internet Engineering Task Force)에서 개발된 YANG 데이터 모델링 언어를 설명한다. 관리 자동화를 위한 원격제어는 NETCONF와 RESTCONF 프로토콜을 이용한다. 본 교과목은 지능형 네트워크와 보안의 관리 자동화를 위해 YANG 데이터 모델을 다룬다. 지능형 네트워크와 보안에 대한 정책과 규칙은 XML 문서를 생성하는 YANG 데이터 모델에 의해 작성된다. 이러한 XML 문서들은 클라이언트(즉 관리자)에 의해 NETCONF 또는 RESTCONF를 통해 서버(즉 네트워크 또는 보안 시스템)에 정책과 규칙을 설정하기 위해 해당 서버에게 전송된다. 네트워크 보안 관리 자동화의 예를 보여주기 위해 본 교과목은 IETF의 네트워크 보안 함수 인터페이스(I2NSF)의 프레임워크와 인터페이스를 다룬다. 본 교과목은 의도 기반 네트워킹을 통해 상위 레벨 보안 정책을 요구되는 네트워크 보안 서비스를 위한 하위 레벨 보안 정책 자동 번역하는 보안 정책 번역기를 설명한다. | |||||||||
| ESW7004 | AI및데이터기밀연산특론 | 3 | 6 | 전공 | 학사/석사/박사 | 소프트웨어학과 | 영 | Yes | |
| “AI 및 데이터 기밀연산 특론”은 인공지능(AI) 연산과 데이터 보호를 위한 최신 신뢰 실행 환경(TEE) 기술을 통한 민감데이터 및 AI 연산의 보호를 다루는 수업입니다. Intel SGX, AMD SEV, Intel TDX와 같은 TEE 기술을 통해 AI 연산의 보안 강화 및 관련 위협 모델을 탐구합니다. 학생들은 이론과 사례를 기반으로 TEE 기반 보안 메커니즘과 공격 기법에 대해 토론하고, 실습과 프로젝트를 통해 기술적 이해를 심화합니다. 수업은 연구 주제를 발굴하고 창의적 문제 해결 능력을 개발하는 데 중점을 둡니다. | |||||||||
| ESW7005 | 병렬컴퓨팅개론 | 3 | 6 | 전공 | 학사/석사/박사 | 소프트웨어학과 | - | No | |
| 병렬 컴퓨팅(Parallel Computing) 과목은 대규모 데이터 처리와 고성능 연산을 요구하는 현대 컴퓨팅 환경에서 필수적인 병렬 처리 기법을 학습하는 것을 목표로 한다. 본 과목에서는 멀티코어 프로세서, GPU, 클러스터와 같은 다양한 병렬 아키텍처의 구조적 특징을 이해하고, 이를 활용하여 프로그램의 성능을 극대화하는 방법을 다룬다. 또한 스레드 기반 병렬성, 데이터 병렬성, 태스크 병렬성과 같은 핵심 개념을 배우며, OpenMP, MPI, CUDA 등 대표적인 병렬 프로그래밍 모델과 도구를 실습을 통해 익힌다. 학생들은 병렬 알고리즘 설계, 성능 분석, 부하 분산, 동기화 문제 해결 등의 실무 능력을 갖추게 되며, 고성능 컴퓨팅(HPC), 인공지능, 과학 계산, 대규모 시스템 개발 등 다양한 응용 분야에서 활용 가능한 전문 역량을 기를 수 있다. | |||||||||
| ESW7006 | 양자컴퓨팅특론 | 3 | 6 | 전공 | 학사/석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목은 양자역학적 원리를 기반으로 새로운 계산 패러다임을 제시하는 양자 컴퓨팅(Quantum Computing)의 이론과 응용을 다루는 대학원 수준의 수업이다. 큐비트(qubit), 양자중첩(superposition), 얽힘(entanglement) 등 양자 정보의 기본 개념을 학습하고, 양자 회로 모델, 양자 게이트 설계, 측정 및 노이즈 모델을 심도 있게 분석한다. 또한 Shor 알고리즘, Grover 알고리즘 등 대표적인 양자 알고리즘과, 최근 주목받는 NISQ 시대의 변분 양자 알고리즘(VQA), 양자 머신러닝, 양자 시뮬레이션 등을 다룬다. | |||||||||
| ESW7007 | 머신러닝을위한시스템 | 3 | 6 | 전공 | 학사/석사/박사 | 소프트웨어학과 | 한 | Yes | |
| 본 과목은 대규모 머신러닝 모델의 학습과 추론을 효율적으로 지원하는 시스템 설계와 최적화 기법을 다루는 수업이다. 분산 학습 아키텍처, 병렬 처리 전략, 데이터 파이프라인, 모델 서빙 및 스케일링과 같은 핵심 주제를 포함하며, GPU/TPU 기반 가속기 구조, 메모리 관리, 통신·동기화 기법 등 시스템적 관점에서 머신러닝 성능을 향상시키는 기술을 학습한다. 또한 최신 연구 논문을 분석하여 대규모 AI 시스템의 설계 방향을 이해하고, 실습을 통해 분산 학습 환경 구성 및 ML 시스템 구현 경험을 쌓게 된다. 본 과목은 머신러닝과 시스템 분야를 접목하여 고성능·대규모 ML 인프라 구축 능력을 기르는 것을 목표로 한다. | |||||||||
| ESW7008 | 초연결네트워크시스템 | 3 | 6 | 전공 | 학사/석사/박사 | 소프트웨어학과 | - | No | |
| 본 과목은 초연결(Hyper-Connected) 시대를 구성하는 차세대 네트워크 기술과 시스템 아키텍처를 다루는 대학원 수준의 수업이다. 초고속·초저지연 통신을 구현하는 5G/6G 기술, 대규모 IoT 인프라, 엣지·클라우드 컴퓨팅 연계 구조, 분산 서비스 아키텍처 등을 중심으로 초연결 환경에서 요구되는 네트워크 설계 원리와 운영 기법을 학습한다. 또한 네트워크 가상화(NFV), 소프트웨어 정의 네트워크(SDN), 지능형 네트워크 관리, 보안 및 신뢰성 확보 기술 등 최신 연구 동향을 분석한다. 실습과 논문 리뷰를 통해 초연결 시스템의 성능·확장성·안정성을 고려한 시스템 설계 능력을 함양하는 것을 목표로 한다. | |||||||||
| ISW2001 | 기계학습수학 | 3 | 6 | 전공 | 학사 | 2-3 | 영 | Yes | |
| 본 과목에서는 기계학습 및 인공지능을 이해하기 위한 기본적인 수학 개념과 이론을 소개한다. 가장 기본적인 수학적 단위 및 정밀도에서 시작해, 선형 대수, 비선형 함수, 통계 대표값, 확률분포, 편미분, 합성곱, 성능 평가지표 등 딥러닝에서 광범위하게 사용되는 개념에 대한 이해를 거쳐, 엔트로피, 양자화, 다변수 랜덤변수, 그래프 표현 등의 심화 개념을 가볍게 소개하는 것으로 마친다. 본 과목은 수학적인 엄밀성보다는 기계학습을 연구하는 데 필요한 수학적 도구를 다루는 것에 중점을 둔다. | |||||||||
| ISW2002 | 디지털신호처리개론 | 3 | 6 | 전공 | 학사 | 2-3 | 영 | Yes | |
| 본 과목에서는 신호 처리의 기본 개념과 다양한 디지털 신호처리 방법을 다룬다. 전반부에서는 연속 및 이산 신호의 특징, 선형성, 시간 불변성, 인과성 등 시스템의 기본 개념을 학습한다. 후반부에서는 디지털 신호에 집중하여 샘플링, 앨리어싱, 보간법, 주파수 분석, 디지털 필터, 푸리에 변환 등을 다룬다. 특히, 인공지능의 핵심 응용 분야인 디지털 이미지와 오디오 신호 처리에 널리 사용되는 기법들을 소개한다. 푸리에 변환 등 중요한 신호처리 기법들을 직접 구현해 보는 파이썬 기반의 프로그래밍 실습 과정이 포함된다. | |||||||||
| ISW3001 | 양자컴퓨팅개론 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
| 본 수업에서는 기본적인 양자 정보 이론 및 이를 활용한 대표적인 양자 어플리케이션들, 그리고 최근 이뤄지고 있는 대규모 양자컴퓨터 시스템 설계의 방법론 및 트렌드에 대해 배운다. - 양자정보이론: 양자 상태의 중첩, 양자 얽힘, 양자 상태의 측정. - 양자 어플리케이션: 쇼어 알고리듬, 양자 푸리에 트랜스폼, 양자 페이즈 예측, 양자 머신러닝. - 양자 컴퓨터 시스템: 큐빗의 제조 및 제어, 양자오류정정이론, 양자 컴파일러. | |||||||||
| ISW3002 | 시계열데이터처리개론 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
| <선행과목으로 선형대수학 및 확률론에 대한 이해가 필요> 과목에서는 연속적 또는 순차적 특성을 지닌 데이터를 이해하고 처리하는 데 필요한 기본 개념과 핵심 기법을 다룬다. 기본적인 디지털 신호처리에서 시작해, 칼만 필터, 자기회귀 모델, MCMC 등 대표적인 시계열 분석 방법을 소개한다. 이후 음성, 텍스트, 비디오 등 다양한 도메인에서의 데이터 처리로 범위를 확장한다. CNN, RNN, Transformer 등 딥러닝 기반 순차적 데이터 처리 모델의 구조에서부터, 요약, 번역, 질의응답 등 다양한 실제 활용 분야를 살펴본다. | |||||||||
| ISW3003 | 오픈소스AI실습 | 2 | 4 | 전공 | 학사 | 3-4 | 한 | Yes | |
| <파이썬 프로그래밍에 대한 기본적인 지식이 필요하며, 딥러닝 관련 과목 선수강을 강력하게 권장> 딥러닝의 발전은 오픈소스 소프트웨어 생태계의 성장과 밀접하게 연결되어 있다. 본 실습 과목에서는 파이토치 라이브러리를 중심으로, 딥러닝에서 사용되는 핵심 모델과 알고리즘을 직접 구현하고 이해하는 것을 목표로 한다. 데이터 처리, 모델 구현, 훈련, 추론에 이르기까지 폭넓은 범위를 다루며, 실습을 통해 오픈소스 기반 AI 개발의 기본 역량을 기르고자 한다. | |||||||||
| ISW3004 | 인공지능윤리 | 3 | 6 | 전공 | 학사 | 3-4 | 영 | Yes | |
| 이 과목은 AI 윤리 문제에 대한 이해 및 이를 해결하기 위한 여러 모델 및 알고리즘에 대한 학습 및 논의를 수행하는 과목이다. AI윤리는 AI가 활용될 때 발생할 수 있는 예측 불가능한 비극을 방지하기 위한 공정성, 투명성, 안전성, 안정성, 책임성 등의 여러 윤리 원칙들에 대하여 학습한다. 이후 현재 및 미래의 관련 문제들에 대한 해결 방법론 및 알고리즘에 대한 논의를 수행함으로써 이를 학습한다. | |||||||||
| ISW3005 | 확률그래프모델 | 3 | 6 | 전공 | 학사 | 3-4 | 영 | Yes | |
| 확률그래프모델(Probabilistic Graphical Models, PGM)은 확률론과 그래프 이론을 결합하여 복잡한 확률적 관계를 구조적으로 표현하고 추론하는 방법론을 다루는 분야입니다. 본 과목은 확률적 모델링의 기본 개념을 그래프 기반 관점에서 접근하여, 현실 세계의 불확실성을 체계적으로 다루는 능력을 기르는 것을 목표로 합니다. 학생들은 베이지안 네트워크(Bayesian Networks), 마르코프 랜덤 필드(Markov Random Fields) 등을 포함한 다양한 그래프 기반 모델을 학습하고, 이러한 모델을 이용한 추론, 학습, 예측 기법을 익히게 됩니다. | |||||||||
| ISW3006 | 인공지능세미나 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
| 본 교과는 연구·산업 분야의 인공지능 및 컴퓨터공학 전문가를 초빙해 최신 기술 동향과 발전 방향을 탐구하는 세미나형 교과이다. 학생들은 실제 현장의 사례와 전문 지식을 접하며 인공지능 기술의 가능성과 한계를 비판적으로 사고하는 능력을 기른다. 수업은 강연과 토론 중심으로 운영되며, 학생들은 다양한 시각을 기반으로 기술적·사회적 이슈를 함께 논의한다. 이를 통해 새로운 기술 및 사업을 개척하는 데 필요한 통찰과 문제해결 역량을 확보하고, 협업과 소통 능력도 함께 강화한다. | |||||||||
| ISW3007 | 통계분석 | 3 | 6 | 전공 | 학사 | 3-4 | 한 | Yes | |
| 본 강의는 데이터로부터 의미 있는 정보를 도출하고, 테이터 기반 의사 결정을 위한 기초 통계 이론과 분석 기법을 학습하는 것을 목적으로 합니다. 구체적으로, 기술통계를 를 넘어, 가설 검정, 통계적 추론, 실험 설계, 회귀분석, 분산분석, 비모수 분석 등 다양한 분석 방법과 이를 활용한 실세계 응용 문제에 대하여 폭넓게 다룬다. 본 과목의 선수과목은 따로 없으며, 기초 수학 및 통계 개론과 기본적인 데이터 처리 및 프로그래밍 경험이 있으면 도움이 될 수 있다. | |||||||||
| IWS3033 | Fundamentals of Programming Languages | 3 | 6 | 전공 | 학사 | 국제동계대학 | - | No | |
| The Principles of Programming Languages course offers a thorough introduction to the fundamental concepts of programming languages. The course systematically explores design issues of various language constructs and analyzes the design choices made in some of the most common languages. Students will learn about different language categories, the progression of programming languages, and the principles of syntax and semantics in modern programming languages. The course also covers key programming concepts such as lexical and syntax analysis, names, bindings, type checking, scoping, data types, expressions, statements, and control structures. Additionally, it includes topics like subprograms, abstract data types, functional programming languages, and logic programming languages. This course aims to give students a solid foundation in the principles of programming languages and insight into the design decisions that shaped their development. | |||||||||
| SWE2001 | 시스템프로그램 | 3 | 6 | 전공 | 학사 | 2 | 소프트웨어학과 | 한,영 | Yes |
| 본 과목은 시스템 소프트웨어에 대한 이론과 설계/구현 방법론을 공부하며, 그 예로 어셈블러, 전처리기(마이크로 프로세서), 링커/로우더, 문서편집기 등을 공부한다. 시스템 소프트웨어는 하드웨어 구조와 밀접한 관련이 있으며, 따라서 컴퓨터 하드웨 어 구조와 시스템 소프트웨어의 연관성을 기본적을 이해한다. 본 과목을 공부하기 위해서는 자료구조와 C/C++프로그래밍 언어에 대한 기본 지식이 도움이 될 것이다. | |||||||||
| SWE2003 | 오토마타 | 3 | 6 | 전공 | 학사 | 2-4 | 소프트웨어학과 | - | No |
| 컴퓨터공학의 전반 분야에서 기초가 되는 형식 언어, 오토마타, 문법, 계산 복잡도 등의 주요 이론 및 개념들을 소개한다. 소개되는 주요 내용들은 유한 오토마타, 정규 언어, 문맥 무관 문법, 푸쉬다운 오토마타, 펌핑 렘마, 튜링 머신, 촘스키 계층, 순환적 열거 가능언어, 결정성/비결정성, 풀수 없는 문제, 계산 복잡도 등으로 요약할 수 있다. | |||||||||
| SWE2015 | 자료구조개론 | 3 | 6 | 전공 | 학사 | 2 | 소프트웨어학과 | 한,영 | Yes |
| 본 과목의 목적은 컴퓨터 중심의 실제 문제들의 해결에 필요한 다양한 자료구조들의 사용법과 알고리즘 기술에 필요한 원칙과 기법에 대해서 소개하는 데 있다. 본 과목에서 다루는 주제들로는 배열, 스텍, 큐, 연결리스트, 트리, 그래프, 정렬, 해슁, AVL 트리 등으로 요약될 수 있다. 본 과목의 성공적인 이수를 위해서는 이산구조, C 언어 등의 선수과목이 장려된다. | |||||||||
| SWE2016 | 알고리즘개론 | 3 | 6 | 전공 | 학사 | 2 | 소프트웨어학과 | 한,영 | Yes |
| 본 과목의 목적은 컴퓨터 응용에서의 문제들을 풀기 위한 다양한 알고리즘과 알고리즘분석에 필요한 기본 법칙과 기술을 소개하는데 있다. 본 과목에서 다루는 주제들은 알고리즘 분석기준, 탐색, 정렬, 그래프, 다항식, 문자열 매칭, 비다항식 문제들로 요약될 수 있다. | |||||||||
| SWE2021 | 오픈소스소프트웨어실습 | 2 | 4 | 전공 | 학사 | 2 | 소프트웨어학과 | 영 | Yes |
| 소스코드가 공개되어 있는 오픈소스 소프트웨어(OSS)는 다양한 컴퓨터 프로그램들을 이해하고 분석하고 활용할 수 있는 소프트웨어(SW) 학습의 보고와 같다. 본 실습과목은 Git/GitHub의 사용법과 OSS 커뮤니티에 대한 경험을 통해 오픈소스를 적극적으로 활용하고 기여할 수 있도록 강의한다. | |||||||||