- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 컴퓨터공학 > AI 사고를 위한 인공지능 교육[성안당]
;)
인공지능 교육의 권위자로 인공지능 교육 프레임워크를 개발하고 인천시 교육청과 인공지능 교육 발전 협약을 맺는 등 활발하게 활동 중인 한국인공지능교육학회의 한선관 학회장 주도로 미래인재연구소의 교사들과 인공지능교육연구소의 멤버들이 참여해 완성된 이 책은 인공지능 교육의 가이드라인을 제시할 뿐 아니라 인공지능 교육의 논리적 모델과 인공지능 교육의 표준화를 위한 기초 자료를 제시하는 포괄적인 내용을 담고 있다.
또, 인공지능의 기초 학문과 컴퓨터 과학에 대한 내용을 바탕으로 인공지능의 주요 개념과 기술을 안내하며 다양한 인공지능의 교육 접근 방법으로서 이해 교육, 활용 교육, 가치 교육을 제시한다. 특히 실제 인공지능을 현장 교육에 적용하기 위한 교육 방법과 수업 사례를 제시한다.
또, 인공지능의 기초 학문과 컴퓨터 과학에 대한 내용을 바탕으로 인공지능의 주요 개념과 기술을 안내하며 다양한 인공지능의 교육 접근 방법으로서 이해 교육, 활용 교육, 가치 교육을 제시한다. 특히 실제 인공지능을 현장 교육에 적용하기 위한 교육 방법과 수업 사례를 제시한다.
저자: 한선관
추천의 글
추천사
저자 약력
머리말
인공지능 교육의 가이드라인
1부 인공지능 사회
1. 인공지능의 시대
2. 생활 속 인공지능
2.1 인간에게 도전장을 내미는 인공지능
2.2 인공지능 심사위원
2.3 창의성을 발휘하는 인공지능
3. 세상을 바꾸는 인공지능
3.1 인공지능으로 바뀌는 사회의 통계적 접근
3.2 인공지능과 직업
4. 인공지능의 영향
4.1 AI 시대를 대비하는 인류
4.2 인공지능의 미래
4.3 직업과 인공지능의 일자리 대체
2부 교육과 인공지능
1. 국가 경쟁력, 인공지능
2. 사활을 건 인공지능 인재 양성
3. 국외의 인공지능 교육 사례
4. 국내의 인공지능 교육 정책
5. 인공지능 교육의 필요성
6. 인공지능 교육 도입의 근거
7. 인공지능 교육의 접근
8. 인공지능 교육을 바라보는 다양한 관점
9. 인공지능 교육의 유형
10. 인공지능 통합 교육 모형
11. 인공지능 교육이 추구하는 사고력
12. 인공지능 사고의 필요성
13. 컴퓨팅 사고력과 인공지능 사고력
14. 인공지능 사고력의 정의
15. 인공지능 사고력의 확장
16. 강(초)인공지능 시대를 대비하는 교육
17. 모두를 위한 인공지능 교육
3부 인공지능의 지식 체계
1. 인공지능의 기초
1.1 인공지능의 역사
1.2 인공지능과 인간 지능
1.3 에이전트 모형
1.4 인공지능과 소프트웨어
1.5 인공지능의 기초 지식
1.6 인공지능 알고리즘과 활용 분야
1.7 인공지능의 영역
1.7.1 내적 기능
1.7.2 외적 기능
1.7.3 상호작용
1.8 인공지능과 학문적 체계의 구성도
2. 기계 탐색: 문제와 탐색
2.1 문제와 해답, 상태
2.2 무작위적 탐색 방법
2.2.1 너비우선 탐색
2.2.2 깊이우선 탐색
2.2.3 깊이제한 탐색
2.2.4 양방향 탐색
2.3 정보를 사용하는 탐색 전략들
2.3.1 그리디 알고리즘
2.3.2 에이스타(A*) 알고리즘
2.4 최적화 탐색 전략
2.4.1 언덕 오르기 탐색
2.4.2 유전 알고리즘
2.5 게임 탐색
2.5.1 최소-최대 알고리즘
2.5.2 몬테카를로 알고리즘
2.6 제약 조건 만족 문제(백트래킹 탐색)
2.7 그 외의 탐색과 탐색 문제
3. 기계 추론: 지식과 추론
3.1 지식 기반 인공지능의 구성 요소
3.2 프레임
3.3 논리
3.3.1 명제 논리
3.4 의미망
3.5 계획 수립
3.5.1 계획 수립의 알고리즘
3.5.2 계획 수립 문제의 형태
3.5.3 계획 수립 그래프
3.5.4 그 밖의 언어들
3.6 불확실성
3.6.1 불확실성의 기본적인 확률
3.6.2 베이즈 정리
3.7 확률적 추론
3.8 의사결정
4. 기계학습: 자료와 학습
4.1 기계학습 개요
4.2 지도학습
4.2.1 회귀
4.2.2 선형회귀
4.2.3 로지스틱 회귀
4.2.4 결정 트리
4.2.5 SVM
4.2.6 랜덤 포레스트
4.2.7 나이브 베이즈
4.3 비지도학습
4.3.1 K-Means
4.3.2 가우시안 혼합 모델
4.3.3 주성분 분석
4.3.4 인공 신경망
4.3.5 딥러닝
4.3.6 합성곱 신경망
4.4 강화학습
4.4.1 MDP와 MRP
4.4.2 A3C
4.5 빅데이터
5. 데이터 과학: 자료와 과학
5.1 데이터 과학의 학문 분야
5.2 데이터 과학의 절차
5.3 데이터 과학 분야의 전문가 유형
5.4 데이터 과학의 도구
5.5 데이터 과학과 BI(비즈니스 인텔리전스)의 차이점
5.5.1 데이터 과학의 응용 분야
5.6 데이터 과학과 머신러닝의 주요 차이점
6. 기계 인식: 감각과 인식
6.1 패턴 인식
6.2 영상 형성
6.2.1 기본 영상 감지
6.3 영상 처리
6.3.1 모서리 검출
6.3.2 텍스처
6.3.3 광학 흐름
6.3.4 영상 분할
6.4 물체 인식
6.4.1 HOG
6.4.2 R-CNN
6.4.3 YOLO
추천사
저자 약력
머리말
인공지능 교육의 가이드라인
1부 인공지능 사회
1. 인공지능의 시대
2. 생활 속 인공지능
2.1 인간에게 도전장을 내미는 인공지능
2.2 인공지능 심사위원
2.3 창의성을 발휘하는 인공지능
3. 세상을 바꾸는 인공지능
3.1 인공지능으로 바뀌는 사회의 통계적 접근
3.2 인공지능과 직업
4. 인공지능의 영향
4.1 AI 시대를 대비하는 인류
4.2 인공지능의 미래
4.3 직업과 인공지능의 일자리 대체
2부 교육과 인공지능
1. 국가 경쟁력, 인공지능
2. 사활을 건 인공지능 인재 양성
3. 국외의 인공지능 교육 사례
4. 국내의 인공지능 교육 정책
5. 인공지능 교육의 필요성
6. 인공지능 교육 도입의 근거
7. 인공지능 교육의 접근
8. 인공지능 교육을 바라보는 다양한 관점
9. 인공지능 교육의 유형
10. 인공지능 통합 교육 모형
11. 인공지능 교육이 추구하는 사고력
12. 인공지능 사고의 필요성
13. 컴퓨팅 사고력과 인공지능 사고력
14. 인공지능 사고력의 정의
15. 인공지능 사고력의 확장
16. 강(초)인공지능 시대를 대비하는 교육
17. 모두를 위한 인공지능 교육
3부 인공지능의 지식 체계
1. 인공지능의 기초
1.1 인공지능의 역사
1.2 인공지능과 인간 지능
1.3 에이전트 모형
1.4 인공지능과 소프트웨어
1.5 인공지능의 기초 지식
1.6 인공지능 알고리즘과 활용 분야
1.7 인공지능의 영역
1.7.1 내적 기능
1.7.2 외적 기능
1.7.3 상호작용
1.8 인공지능과 학문적 체계의 구성도
2. 기계 탐색: 문제와 탐색
2.1 문제와 해답, 상태
2.2 무작위적 탐색 방법
2.2.1 너비우선 탐색
2.2.2 깊이우선 탐색
2.2.3 깊이제한 탐색
2.2.4 양방향 탐색
2.3 정보를 사용하는 탐색 전략들
2.3.1 그리디 알고리즘
2.3.2 에이스타(A*) 알고리즘
2.4 최적화 탐색 전략
2.4.1 언덕 오르기 탐색
2.4.2 유전 알고리즘
2.5 게임 탐색
2.5.1 최소-최대 알고리즘
2.5.2 몬테카를로 알고리즘
2.6 제약 조건 만족 문제(백트래킹 탐색)
2.7 그 외의 탐색과 탐색 문제
3. 기계 추론: 지식과 추론
3.1 지식 기반 인공지능의 구성 요소
3.2 프레임
3.3 논리
3.3.1 명제 논리
3.4 의미망
3.5 계획 수립
3.5.1 계획 수립의 알고리즘
3.5.2 계획 수립 문제의 형태
3.5.3 계획 수립 그래프
3.5.4 그 밖의 언어들
3.6 불확실성
3.6.1 불확실성의 기본적인 확률
3.6.2 베이즈 정리
3.7 확률적 추론
3.8 의사결정
4. 기계학습: 자료와 학습
4.1 기계학습 개요
4.2 지도학습
4.2.1 회귀
4.2.2 선형회귀
4.2.3 로지스틱 회귀
4.2.4 결정 트리
4.2.5 SVM
4.2.6 랜덤 포레스트
4.2.7 나이브 베이즈
4.3 비지도학습
4.3.1 K-Means
4.3.2 가우시안 혼합 모델
4.3.3 주성분 분석
4.3.4 인공 신경망
4.3.5 딥러닝
4.3.6 합성곱 신경망
4.4 강화학습
4.4.1 MDP와 MRP
4.4.2 A3C
4.5 빅데이터
5. 데이터 과학: 자료와 과학
5.1 데이터 과학의 학문 분야
5.2 데이터 과학의 절차
5.3 데이터 과학 분야의 전문가 유형
5.4 데이터 과학의 도구
5.5 데이터 과학과 BI(비즈니스 인텔리전스)의 차이점
5.5.1 데이터 과학의 응용 분야
5.6 데이터 과학과 머신러닝의 주요 차이점
6. 기계 인식: 감각과 인식
6.1 패턴 인식
6.2 영상 형성
6.2.1 기본 영상 감지
6.3 영상 처리
6.3.1 모서리 검출
6.3.2 텍스처
6.3.3 광학 흐름
6.3.4 영상 분할
6.4 물체 인식
6.4.1 HOG
6.4.2 R-CNN
6.4.3 YOLO
