TUTORIALS
[대한금속·재료학회] 2025년 재료인공지능 겨울학교
Coding with ChatGPT
AI 발전으로 프로그래밍 경험이 없는 사람들도 ChatGPT를 활용해 코드를 작성하고 수정할 수 있게 되었다. 본 강습회에서는 ChatGPT를 이용한 코드 작성, 오류 수정, 알고리즘 최적화 방법을 다루며, 반복 작업 자동화와 복잡한 문제 해결 사례를 실습한다. 이를 통해 참가자들은 AI 기반 코딩 도구를 효과적으로 활용하는 방법을 익히고, 실무 적용 전략을 배울 수 있다.
부족한 재료데이터를 극복하기 위한 인공지능 기법
재료 연구에서는 실험 데이터 확보가 어렵기 때문에, 이를 보완할 수 있는 AI 기법이 중요한 역할을 한다. 본 강습회에서는 Active Learning, Transfer Learning, Self-supervised Learning을 소개하며, 제한된 데이터 환경에서도 효율적으로 AI 모델을 학습하는 방법을 설명한다. 이를 통해, 데이터 수집 비용을 절감하고, 최적의 성능을 유지하면서도 신뢰할 수 있는 모델을 구축하는 전략을 탐색한다.
[KAIST] 2025년 산학협동 공개강좌 (AI 기반 설계: 해석에서 설계 최적화까지)
해석 가속화를 위한 PINN and DeepONet
최근 인공지능(AI) 기반 모델이 전산 해석 분야에서 강력한 도구로 떠오르고 있다. 본 강습회에서는 Physics-Informed Neural Networks (PINNs)와 Deep Operator Networks (DeepONet)을 활용하여 해석 속도를 비약적으로 향상시키는 방법을 다룬다. PINN은 물리 법칙을 신경망 학습 과정에 직접 내재화하여 복잡한 편미분방정식(PDE) 문제를 데이터 없이 해결할 수 있으며, DeepONet은 조건이 변하여도 재학습 없이 실시간 해석이 가능하도록 학습된 연산자를 활용하여 빠른 예측을 수행한다. 본 강의에서는 이 두 기법의 기본 원리와 코드를 통해 구현 방법을 알아보고, 실제 공학 문제에서의 적용 사례를 통해 해석 가속화의 가능성을 탐색한다.
[대한기계학회] 2024년 본부학술대회 KSME 대학-대학원 교육
PINN 기본 개념을 살펴보고, 공학 문제 해결에 어떻게 활용할 수 있는지를 다양한 예제 코드를 통해 설명합니다. Operator Learning에서는 DeepONet 및 PI-DeepONet의 기본 개념을 중심으로, 조건이 변하는 공학 문제에 대해 신속하고 효율적인 해석 방법을 다룹니다. 이론적 소개는 간단히 다루며, 실습 예제를 통해 학습자들이 직접 코딩을 수행하는 방식으로 교육을 진행합니다. 본 과정은 기본적인 인공지능 지식과 코딩 경험을 보유한 학습자들을 대상으로 합니다.
Physics-informed Neural Networks (PINNs)
Lab: Beam Bending, Plate Deformation, Heat Transfer, Inverse Problems
Operator Learning (DeepONet and PI-DeepONet)
Lab: Beam Bending, Flow around a Cylinder, Airfoil
[한국최적설계학회] 2024년 하계 강습회
본 강습에서는 최적설계를 위한 인공지능 기초부터 시작하여 생성형 AI 기반 3차원 최적설계 이론 강의와 실습을 진행합니다. 또한 데이터 학습 모델 생성에 관한 이론을 배우고 실습을 수행합니다. 마지막으로 민감도 기반 최적설계에 대한 이해를 바탕으로 위상최적설계에 대한 이론 및 실습을 포함합니다.
최적설계를 위한 인공지능 기초에 중점을 두고 있습니다. 핵심 주제는 오토인코더, 생성형 인공지능, 그리고 최적설계에 ChatGPT를 활용하는 것입니다. 이들 각각의 기술들이 어떻게 결합되어 최적설계에 기여하는지를 소개하며, 이에 대한 이론적 배경과 실용적인 방법을 제시합니다.
[한국소성·가공학회] 2024년 전문교육
주제 1: 인공지능 기초 (박범수 박사)
기계학습 및 딥러닝의 기본 개념 소개
설명 가능한 인공지능의 대표적인 방법 소개 및 응용 사례 제시
실습
인장 특성을 기반으로 한 구멍확장비 예측
설명 가능한 인공지능을 토대로 인장 특성과 구멍확장비 사이의 상관관계 분석
주제 2: 능동 학습 (active learning) 기반 인공지능 (박재정 학생)
능동 학습의 기본 개념 소개
단일/다중 목적성 탐색 기법 사례 제시
실습
극한 인장 강도와 전연신율이 모두 높은 타이타늄 합금을 제작할 수 있는 레이저 분말 베드 융합 (LPBF) 공정 변수 및 후열처리 조건에 대한 탐색
주제 3: 물리지식기반 인공지능 (이수영 교수)
물리지식기반 인공지능의 기본 개념 소개
데이터를 활용한 물리지식기반 인공지능 방법 소개 및 응용 사례 제시
실습
FEM 시뮬레이션 데이터를 토대로 데이터 기반의 인공지능과 물리지식기반의 인공지능 모델 성능 차이 비교
[한국소음진동공학회] 2024년 춘계학술대회 Tutorial
[05/22/24~05/24/24] 한국소음진동공학회 춘계학술대회, 제주 라마다 호텔
제목: "인공지능의 진화: 생성 AI로의 여정" (강연 자료, GPT.ipynb, Llama.ipynb)
소개: RNN/LSTM, Transformer, Pre-trained Transformer, GPT, ChatGPT, Applications to the domain of noise and vibration
연사: 권진근 교수 (충남대 인공지능학과)
좌장: 이승철 교수
[대한기계학회 CAE및응용역학 부문] 2024년 춘계학술대회 Tutorial
[05/01/24~05/03/24] 대한기계학회 CAE및응용역학부문 춘계학술대회, 제주 휘닉스 섭지코지
제목: 차원축소에서 생성형 인공지능까지 (PCA, SVD, Autoencoder, GAN, Diffusion Model)
소개: 계산 가속화를 위한 모델차수축소 기법과 최근 주목받고 있는 제너레이티브 디자인을 아우르는 인공지능 모델들을 하나의 흐름으로 소개한다.
연사: 이승철 교수, 박범수 박사
[대한기계학회 신뢰성 부문] 2024년 춘계학술대회 '고장진단을 위한 인공지능'
본 강좌에서는 고장진단 개념을 간단히 소개한다. 다음으로, 코딩에 익숙하지 않은 입문자가 고장진단 알고리즘을 쉽게 구현할 수 있도록 ChatGPT 활용 사례에 대해 논의한다. 마지막으로, 최근 화두가 되고 있는 Physics-Informed Neural Network (PINN) 활용 고장진단 사례 소개 및 실습을 진행하고, 장단점에 대해 논의한다.
[대한기계학회 기계인공지능연구회] 2024년 물리지식기반 인공지능
(Scientific Machine Learning Workshop)
대한기계학회 회원 여러분, 2023년 8월에 개최된 '물리지식기반 인공지능' 연구교류회 이어 이번 2024년 1월달에는 Scientific Machine Learning 분야에 집중하여 대학원생들의 연구 발표를 중심으로 연구 교류회를 진행합니다. 이 연구 교류회는 인공지능과 기계 도메인 지식을 융합하며 새로운 아이디어와 혁신적인 연구를 촉진하는 자리가 될 것입니다. 특히 대학원생들의 적극적인 참여와 활발한 토론을 기대하고 있습니다. 새로운 통찰과 지식의 공유를 통해 학문적인 성장의 기회가 되리라 믿습니다. 많은 참여 부탁드립니다.
주최: 대한기계학회, 한국과학기술원
주관: 대한기계학회 기계인공지능연구회
개최일자: 2024년 1월 31일(수) ~ 2월 1일(목)
개최장소: 한국과학기술원
행사 일정
1일차
13:20 ~ 13:50 Recent Trend in PINN and its Applications to NDT, 오현석 교수 (GIST 기계)
13:50 ~ 14:20 PINN for Extreme Mechanics Problems, 이정수 교수 (가천대 기계)
14:20 ~ 14:40 Multiphysics-informed Neural Networks for Non-Destructive Structural Health Monitoring in Thermomechanical Systems, 노홍균 학생 (전북대, 기계과)
14:40 ~ 15:00 Multiphysics-informed Deep Operator Networks for Predicting the Response of a Permanent Magnet Synchronous Motor, 손세호 학생 (한양대, 기계과)
15:00 ~ 15:30 Break (30 min)
15:30 ~ 16:00 Theory-guided Machine Learning Approach for Singular Perturbation Problems, 홍영준 교수 (KAIST 수학)
16:00 ~ 16:30 Sobolev Training for Neural Networks and its Applications, 손휘재 교수 (한밭대 인공지능)
16:30 ~ 16:50 Application of PINNs to Argon Glow Discharge Models, 김은서 (포항공대, 수학과)
16:50 ~ 18:00 간담회 (일반 + 학생)
2일차
10:00 ~ 10:20 Physics-informed Fourier Representation, 김태완 학생 (포항공대, 기계과)
10:20 ~ 10:40 Prediction of Thermal Runaway for a Lithium-ion Battery through Multiphysics-informed DeepONet, 정진호 학생 (한양대, 기계과)
10:40 ~ 11:00 Solving Forward and Inverse Problems of Cl2 Global Discharge Models using PINNs, 권희재 학생 (포항공대, 수학과)
11:00 ~ 11:20 Data-driven Discovery of Drag-inducing Elements on Rough Surfaces through Convolutional Neural Networks, 신희수 학생 (인하대, 기계과)
11:20 ~ 11:40 A Full-Field Estimation of Dynamics System Responses with Sparse Measurement, 박정훈 학생 (전북대, 기계과)
11:40 ~ 12:00 Solving Boltzmann-BGK Equation with Physics-informed Neural Networks, 오재민 학생 (카이스트, 수학과)
신청 안내
신청: 대한기계학회 홈페이지 (http://ksme.or.kr/) 에 이름, 소속, 연락처 신청
신청 마감: 2024년 1월 24일 (수) 까지 (단, 납부 기준 선착순 60명, 현장등록 불가)
행사 문의: 이승철 교수 (seunglee@kaist.ac.kr)
[Conference on Intelligent Autonomous Systems] Tutorial on "Physics-informed Neural Networks with Data"
Physics-informed Neural Networks (PINNs) have emerged as a promising approach for solving partial differential equations (PDEs) with high accuracy and efficiency. In this tutorial, I will present a PINN framework that integrates data from diverse sources to improve the accuracy and robustness of the network. This approach combines physics-based constraints with data-driven regularization to achieve better convergence and generalization. I will demonstrate the effectiveness of our method on several benchmark problems from fluid dynamics and solid mechanics. Based on the results, it can be concluded that integrating data with PINNs provides a powerful tool for solving complex PDEs and has broad implications for a wide range of scientific and engineering applications.
[대한기계학회 CAE및응용역학 부문] 2023년 춘계학술대회 '물리지식기반 인공지능' 특별세션
[대한기계학회 CAE및응용역학 부문] 2023년 춘계학술대회 '강화학습과 최적설계' 강습회
지도학습방식의 인공지능 모델은 학습에 사용된 데이터셋 품질 이상의 성능을 기대하기 힘듭니다. 예를 들면, 도메인 전문가가 레이블링을 한 데이터로 학습된 인공지능 모델은 해당 전문가의 경험적 지식을 뛰어 넘을 수 없습니다. 하지만 우리는 알파고의 사례를 통해 인공지능 모델에게 인간의 한계를 초월하는 무언가를 기대하고 있습니다. 따라서 본 강습회에서는 이를 극복할 수 있는 강화학습 알고리즘에 대한 간단한 설명을 시작으로 공학적 최적설계 문제로 확장하려는 다양한 시도를 소개하고자 합니다.
[대한기계학회 신뢰성 부문] 2023년 춘계학술대회 인공지능 강습회
It's time for anomaly detection, not classification (slides)
산업 현장에서 정상에 비해 비정상 발생 빈도가 현저히 적기 때문에 데이터 불균형 문제를 자주 겪게 된다. 이러한 문제를 분류 (classification) 가 아니라 이상 탐지 (anomaly detection) 로 접근하는 다양한 인공지능 기법을 본 튜토리얼에서 소개한다.
ChatGPT 활용해서 연구하기: 교수와 대학원생 입장에서 (slides)
ChatGPT는 최신 인공지능 기술 중 하나로, 자연어 이해와 생성 분야에서 우수한 성능을 보입니다. 본 발표에서는 대학원생과 교수가 연구에서 ChatGPT를 활용하는 몇 가지 방법을 제안합니다. 이를 통해 검색, 번역, 코딩, 영어 작성, 요약, 제목 만들기, 문제 만들기, 문제 풀기 등의 작업을 보다 효율적으로 수행할 수 있습니다.
[LINC3.0 사업단] 2023년 산업체 재직자 대상 산업 인공지능 핵심 기초 교육
다양한 분야의 산업체 재직자들을 대상으로, 인공지능의 핵심 기초 및 원리를 이해할수 있도록 한다. 특히 대표적으로 활용되는 인공지능 모델의 산업 적용 사례를 소개 및 관련 실습을 통해, 현업에서 인공지능을 적용해 볼 수 있는 실무적 능력 배양하고자 한다.
1일차 (대면): 머신러닝 & 딥러닝 기초
머신러닝과 딥러닝 이해 및 코드 실습 (이승철 교수): 사출 데이터를 이용한 기본적인 인공지능
PyCaret을 이용한 AutoML 실습
2일차 (대면): 산업에 바로 적용 가능한 인공지능 실습
3일차 (대면/비대면) 산업 현장에서 활용되고 있는 인공지능 사례
허강열 교수 (포항공대, 페이스): 산업 현장의 시뮬레이션 기반 디지털트윈 구현 및 적용사례 소개
박성진 교수 (포항공대, 포스코홀딩스): 데이터기반 사회와 벤처생태계 - 포스코 스마트팩토리 및 포항시 스마트 시티 사례
유동현 교수 (포항공대): 강화학습기법을 이용한 유체역학 문제의 다조건 다목적 제어 및 최적화
김덕영 교수 (포항공대): 제조 패러다임 변화와 스마트 팩토리
윤종필 박사 (한국생산기술연구원): 인공지능 기반 설비 지능화
이승철 교수 (포항공대 ): 산업에서 성공하기 위한 산업 인공지능 핵심 전략
현장 데모
steel surface defect 자동 검사 시스템
사람, 객체 검출
소리기반 팬 이상 탐지 시스템
[한국소성가공학회 2022년 전문교육] 재료 설계를 위한 인공지능 기초
최근 빅데이터를 활용한 인공지능 모델로 재료를 설계하는 연구가 활발히 진행되고 있다. 일반적으로 재료 설계는 반복적인 실험을 통해 긴 기간에 걸쳐 완성되지만, 인공지능을 이용하면, High throughput material screening이 가능하여 설계 시간을 크게 단축할 수 있다. 또한 기존의 재료 데이터를 기계학습으로 분석해 봄으로써 재료 설계에 대한 가이드라인을 얻을 수 있다.
본 강좌에서 1부는 기계학습에 대한 기초에 대해 배우고, 설명 가능한 인공지능 모델 중 하나인 SHAP (SHapley Additive exPlanation)을 활용하여 feature importance를 분석하고자 한다. 2부에서는 실제 Material project의 데이터를 불러와서 체적 탄성 계수(Bulk modulus)와 전단 탄성 계수(Shear modulus)를 기계학습을 통해서 예측해보고, SHAP을 통해서 feature importance가 어떻게 나타나는지 실습하고자 한다. 3부에서는 실제 산업 현장에서 얻은 사출 몰딩 데이터를 이용하여 LIME이나 SHAP와 같은 설명 가능한 인공지능을 통해 geometric feature와 material feature가 5가지 공정 계수에 어떤 영향을 주는지 분석해 볼 예정이다.
주제 1: 인공지능 기초 (60분)
기계학습의 기본 개념
다양한 기계학습 모델 분석 및 소개
머신러닝 모듈 소개 (Scikit-learn, Pycaret)
주제 2: The Materials Project를 이용한 머신러닝 실습 (60분)
재료와 인공지능 Application 사례
Material project를 통한 Database 구축
기계학습을 통한 금속 데이터의 Bulk modulus와 Shear modulus 예측 및 상관관계 분석
주제 3: 실제 산업 현장 데이터를 이용한 설명 가능한 인공지능 구현 실습 (60분)
실제 산업 현장 데이터에도 적용 가능함을 보여주는 사례 제시
기계학습을 통해 geometric feature와 material feature가 주어졌을 때 공정 계수 예측할 수 있는 모델 구축
LIME과 SHAP를 통하여 최적의 사출 몰딩 공정 계수를 위해 어떤 feature가 중요하며 각 feature는 공정 계수와 어떤 관계를 가지는지 분석
[한국소음진동공학회 AI혁신위원회] 2022년 인공지능 강습회
[DAY 1] 이승철 교수 (포항공과대학교)
진동을 위한 신호처리: 원운동, DFT (FFT), DTFT, STFT, Images in Frequency
인공지능 기초: PCA, Autoencoder, Classification, ANN, CNN
Topics Jupyter notebook Slides
[DAY 2] 최정우 교수 (한국과학기술원)
기계 이상진단을 위한 인공지능 학습기법 1: 자기지도 학습기법 소개
기계 이상진단을 위한 인공지능 학습기법 2: 실전 테크닉과 파이썬 실습
[대한기계학회 인공지능머신연구회] 2022년 인공지능 여름학교
1강: 수학과 프로그래밍 없는 인공지능 소개 (유승화 교수, 한국과학기술원)
대상: 인공지능에 처음 입문하고, 수학과 프로그래밍 없이 AI 기본 개념 습득 및 클러스터 서버 기반 실습이 필요한 분들. 예) AI를 도입하거나 AI전문가와 협업을 하셔야 하는 기계 및 생산공학 전문가, AI을 활용하는 실무자와 일하고 계시는 기업체와 연구소 팀장
내용: (1) 생산제조업에서 활용가능한 인공지능 주요기능 및 사례, (2) 기술통계와 회귀분석, 군집분석과 의사결정나무, 인공신경망, 합성곱신경망, 순환신경망, 오토인코더에 대한 수식 없는 소개, (3) AI클러스터(KAMP AI)와 제조데이터 엑셀파일을 활용한 실습
2강: 파이썬을 활용한 인공지능 이론과 실습 (최상헌 교수, 경북대학교)
대상: 기계학습 및 딥러닝 기법에 대한 수학적 배경과 프로그래밍 능력을 함양하여, 인공지능 지식을 본인 연구에 적용하고자 하는 학부 고학년 및 대학원 신입생, 또는 연구원 및 개발자
내용: KNN Classification, and Regression, Linear, Ridge, and LASSO Regressions, Parametric Classification, Gradient Descent Algorithm, Logistic Regression, Perceptron, Multilayer Perceptron, Convolutional Neural Network, 이론 관련 예제
[대한기계학회 인공지능머신연구회] 2022년 하계 고급인공지능 강습회
Topics Jupyter notebook Slides YouTube
Google Colab iNote#00
Prerequisite: ANN iNote#00_01 pdf#00_01 ANN01, ANN02, ANN03
Prerequisite: Autoencoder iNote#00_02 pdf#00_02 Autoencoder
Prerequisite: CNN iNote#00_03 pdf#00_03 CNN01, CNN02, CNN03
XAI: CAM iNote#04_01 pdf#04_01
XAI: Grad-CAM iNote#04_02 pdf#04_02
XAI: LRP iNote#04_03 pdf#04_03
Physics-informed Neural Networks (PINN) iNote#08_01 pdf#08_01
PINN: PDE Solver iNote#08_02 pdf#08_02
PINN: Fluid with Data iNote#08_03 pdf#08_03
PINN: Solid with Data iNote#08_04 pdf#08_04
PINN: Challenges pdf#08_05
Time-series Analysis iNote#09_01 pdf#09_01
RNN and LSTM iNote#09_02 pdf#09_02
Topics Jupyter notebook Slides YouTube
Physics-informed Neural Networks (PINN) iNote#01 pdf#01 iYouTube#01
PINN as a PDE Solver iNote#02 pdf#02 iYouTube#02
PINN with Data (Fluid) iNote#03 pdf#03 iYouTube#03
PINN with Data (Solid) iNote#04 pdf#04 iYouTube#04
Challenges in PINN pdf#05 iYouTube#05
[대한기계학회 CAE 및 응용역학] 2022년 춘계학술대회 강습회
[대한기계학회 인공지능머신연구회] 2022년 동계 고급인공지능 강습회
Topics Jupyter notebook Slides YouTube
Google Colab iNote#00
Prerequisite: ANN iNote#00_01 pdf#00_01 ANN01, ANN02, ANN03
Prerequisite: Autoencoder iNote#00_02 pdf#00_02 Autoencoder
Prerequisite: CNN iNote#00_03 pdf#00_03 CNN01, CNN02, CNN03
XAI: CAM iNote#04_01 pdf#04_01
XAI: Grad-CAM iNote#04_02 pdf#04_02
XAI: LRP iNote#04_03 pdf#04_03
Object Detection iNote#05 pdf#05 Object Detection, Lab
Segmentation iNote#06 pdf#06 Segmentation, Lab
Graph Neural Networks (GNN) iNote#08 pdf#08 GNN01. GNN02, Lab01, Lab02
Physics-informed Neural Networks (PINN) iNote#09 pdf#09 PINN01, PINN02, Lab01, Lab02
[포스코/현대제철] 2021년 인공지능
Topics Jupyter Notebook Slides
Mathematical Background
Machine Learning
Regression 01 iNote#03_01 pdf#03
Regression 02 iNote#03_02
Classification 01 iNote#04_01 pdf#04
Classification 02 iNote#04_02
Classification 03 iNote#04_03
DSP and PHM
Prognostics and Health Management (PHM) iNote#11 pdf#11
Motion Amplification iNote#12 pdf#12
Deep Learning
Reinforcement Learning
Intro. to RL iNote#19 pdf#19
Markov Decision Process (MDP) 01 iNote#22_01 pdf#22
Markov Decision Process (MDP) 02 iNote#22_02
Markov Decision Process (MDP) 03 iNote#22_03
Reinforcement Learning (RL): Q-Learning, DQN* iNote#23_01 pdf#23
AI Applications
Industrial AI: Case Studies iNote#24 pdf#24
* briefly addressed
“딥러닝의 기초이론과 재료설계 및 공정 최적화에 응용”
Topics Jupyter notebook Slides
Python Installation iNote#00_1
Docker Installation (optional) iNote#00_2
Introduction pdf#00
Tutorials
Dates Topics Where
02/17/25~02/19/25 Active Learning, Transfer Learning, XAI 제10회 재료인공지능 겨울학교 서울
02/13/25 능동 학습 (Active Learning) 국립한밭대학교 반도체 전공트랙 대전
02/10/25~02/1225 AI 기반 설계: 해석에서 설계 최적화까지 카이스트 동계산학협동 강좌 대전
01/22/25 PINN to Solve Mechanical Engineering Problems 고급 기계인공지능 강습회 전주
11/06/24 PINN and Operator Learning KSME 대학-대학원 교육 제주
08/22/24~08/23/24 인공지능을 활용한 최적 설계 한국최적설계학회 24년도 하계 강습회 대전
08/14/24 PINN and DeepONet 한국타이어 대전
07/10/24-07/12/24 기계공학 문제 해결을 위한 인공지능 고급 기계인공지능 강습회 서울
07/03/24-07/05/24 딥러닝 고급 재료인공지능 여름학교 대전
07/01/24-07/03/24 생성형 인공지능 기초 재료인공지능 여름학교 대전
05/01/24~05/03/24 차원축소에서 생성형 인공지능까지 CAE및응용역학부문 춘계학술대회 제주
02/19/24~02/21/24 인공지능과 설계: 해석 예측에서 설계 최적화까지 KAIST 산학강좌 대전
01/25/24 거대 언어 모델 원리 및 ChatGPT 활용 기초 한국통신학회 온라인
08/21/23~08/23/23 머신러닝, 딥러닝 기초 한국자동차공학회 인천
07/04/23 PINN with Data Conference on Intelligent Autonomous Systems Suwon
06/21/23 Hands-on AI POSCO 포항
05/19/23 강화학습과 최적설계 CAE및응용역학 춘계학술대회 부산
04/06/23~07/27/23 Hands-on AI 삼성중공업 온라인
10/11/22~10/21/22 인공지능 기초 현대제철 포항
08/09/22~08/10/22 인공지능 강습회 한국소음진동공학회, AI 혁신위원회 Seoul
07/04/22~07/06/22 고급 인공지능 강습회 2차 KSME, AIME, GIST Gwangju
05/25/22 Physics-informed Neural Networks KSNVE conference Changwon
05/19/22 Physics-informed Neural Networks CAE and Applied Mechanics Division of KSME Busan
02/21/22~02/23/22 AI Winter School KSME, AIME, KAIST 대전
01/19/22~01/21/22 고급 인공지능 강습회 1차 KSME, AIME, POSTECH 포항
12/03/21 설비진단 딥러닝, 파이썬 라이브 코딩 SHOW 설비진단기술강습회 대전
08/30/21~09/27/21 Introduction to AI POSCO Pohang
08/18/21 Intermediate Deep Learning The Korean Institute of Metals and Materials Online
07/26/21~07/30/21 Introduction to AI 대경 HuStar 혁신아카데미 Pohang
07/02/21 Basic Deep Learning The Korean Institute of Metals and Materials Online
04/30/21 AI for Reliability 대한기계학회 신뢰성부문 춘계학술대회 Jeju
04/06/21~04/29/21 Introduction to AI POSCO Pohang
02/22/21~05/28/21 Hands-on AI Samsung Heavy Industries Online
12/04/20 Hands-on AI The Korean Society for Technology of Plasticity Online
09/16/20~09/22/20 Introduction to AI 대경 HuStar 혁신아카데미 Pohang
08/20/20 Introduction to AI Korea Institute of Industrial Technology (KITECH) Online
08/10/20~08/14/20 Hands-on Deep Learning University of Ulsan Ulsan
08/07/20~08/25/20 Introduction to AI POSCO Pohang
07/16/20 Hands-on Deep Learning The Reliability Division of KSME Jeju
07/01/20~07/03/20 Deep Learning for Materials Science and Engineering The Korean Institute of Metals and Materials Seoul
06/04/20~06/05/20 Deep Learning for Noise and Vibration Engineering KSNVE E-Conference Online
01/22/20~01/30/20 Introduction to AI 대경혁신아카데미 Pohang
01/17/20 PHM: AI Applications KSPHM Seoul
01/07/20 Deep Learning Samsung Heavy Industries Pangyo
01/06/20~01/10/20 Deep Learning Dong-A University Pusan
12/13/19 RNN and RL KIMM Daejeon
08/29/19 RNN and RL KIMM Daejeon
08/21/19~08/23/19 AI Summer School KSME Seoul
04/24/19~04/30/19 Introduction to AI SK Hynix POSTECH
01/28/19~01/30/19 Signal Processing for PHM KSPHM Seoul
01/12/19 Hands-on Deep Learning Kumoh National Institute of Technology Gumi
10/17/18 Signal Processing and Deep Learning KSNVE Yeosu
08/23/18~08/24/18 Signal Processing for PHM KSPHM Seoul
07/23/18~07/27/18 Introduction to AI SK Hynix POSTECH PIRL
05/04/18 Introduction to Deep Learning Global FinTech Industry Promotion Center Pusan
02/08/18 Deep Learning Computational Structure Engineering Institute of Korea Seoul
02/01/18~02/02/18 Machine Learning and Deep Learning Hanwha Techwin Seoul
01/29/18 Deep Learning Pusan National University Pusan
01/16/18~01/19/18 AI Winter School KSME Seoul
12/14/17~12/15/17 Machine Learning and Deep Learning Hanwha Techwin Seoul
11/22/17~11/23/17 Machine Learning and Deep Learning Hanwha Techwin Seoul
10/18/17 Coding for Deep Learning KSNVE Yesan
08/25/17 From Machine Learning to Deep Learning CAE 및 응용역학 Seoul
08/21/17~08/23/17 AI Summer School KSME Seoul
07/14/17 Deep Learning for PHM PHMAP Jeju
04/26/17 Machine Learning and Deep Learning with Vibration Data KSNVE Gwangju