🇰🇷 Korean Version

AI Introduction

This course is an Introduction to Artificial Intelligence and Machine Learning
aimed at providing a solid foundation in both classical ML and
modern deep learning.

Based on the Fundamental AI (2025, Fall) syllabus, the course walks through
Python programming, data science tools (NumPy, Pandas, Matplotlib),
feature engineering, core ML algorithms, and deep learning architectures
including MLP, CNN, and RNN, culminating in a hands-on Seq2Seq project. :contentReference[oaicite:0]{index=0}

Full weekly schedule (Syllabus): Here

---

🔍 Course Overview

Students will:

• Learn the core ideas of AI and the historical development of the field
• Understand the machine learning pipeline from data to model deployment
• Build practical intuition for when and how to use different ML models
• Get hands-on experience with Python + Jupyter/Colab
• Implement and experiment with deep learning models using real datasets

---

🧠 Core Contents

• Introduction to AI & Machine Learning
  • Definitions, history, and main paradigms (classical vs. neural)
• Python for AI & ML
  • Python basics, control flow, functions
  • Jupyter/Colab workflow and quizzes
• Data Science Programming
  • NumPy, Pandas, Matplotlib for data manipulation and visualization
• Feature Engineering
  • Handling categorical variables, missing values
  • Normalization, standardization, and scaling
• Classical Machine Learning Methods
  • Linear Regression, Logistic Regression
  • K-Nearest Neighbors (KNN) & K-Means
  • Decision Trees, basic evaluation metrics
• Representation & Dimensionality Reduction
  • Principal Component Analysis (PCA)
• Deep Learning
  • Multi-Layer Perceptron (MLP)
  • Convolutional Neural Networks (CNN)
  • Recurrent Neural Networks (RNN) & sequence modeling
  • Hands-on: RNN for Seq2Seq

---

💻 Programming & Labs

• Python & Jupyter/Colab-based quizzes and coding assignments
• Step-by-step labs for:
  • Data science programming (NumPy, Pandas, Matplotlib)
  • Linear and Logistic Regression
  • KNN & K-Means
  • Deep learning experiments (MLP, CNN, RNN)
• Emphasis on writing clean, reproducible code for ML experiments

---

🎓 Teaching Style

• Concept-oriented lectures with visual and intuitive explanations
• Live coding demos and notebook-based tutorials
• Frequent quizzes and programming exercises to reinforce concepts
• Connections to AI safety, robustness, and ethics where relevant

---

👨‍🏫 Instructor

Prof. Jin Hyun Kim
Cyber Safety Lab · Gyeongsang National University

---

한국어 강의소개

인공지능 입문 (Introduction to AI)

이 과목은 인공지능(AI)과 머신러닝(ML)의 핵심 개념을
체계적으로 학습하는 입문·기초 강의입니다.

Fundamental AI (2025, Fall) 강의계획에 따라,
Python 프로그래밍과 데이터 분석 도구(NumPy, Pandas, Matplotlib),
특징 공학(feature engineering), 전통적인 머신러닝 알고리즘,
그리고 MLP, CNN, RNN과 같은 딥러닝 모델을 다룹니다.
학기 말에는 RNN 기반 Seq2Seq 모델을 직접 구현하는 실습까지 진행합니다.

전체 강의 Syllabus는 다음에서 확인할 수 있습니다: Full weekly schedule (Syllabus)

---

🔍 강의 개요

학생들은 다음을 목표로 학습하게 됩니다.

• AI의 기본 개념과 역사 이해
• 데이터에서 모델까지 이어지는 머신러닝 전체 파이프라인 이해
• 상황에 맞는 ML 알고리즘 선택과 직관적 이해
• Python + Jupyter/Colab 환경에서의 코딩 실습 경험
• 실제 데이터셋을 활용한 딥러닝 모델 구현 및 실험

---

🧠 주요 학습 내용

• AI와 머신러닝 소개
  • AI의 정의, 역사, 주요 패러다임(전통 ML vs. 신경망)
• AI를 위한 Python 프로그래밍
  • 파이썬 기초 문법, 제어문, 함수
  • Jupyter/Colab 환경에서의 실습 및 퀴즈
• 데이터 사이언스 프로그래밍
  • NumPy, Pandas, Matplotlib을 이용한 데이터 처리와 시각화
• Feature Engineering
  • 범주형 변수 인코딩, 결측치 처리
  • 정규화, 표준화, 스케일링 기법
• 전통적 머신러닝 기법
  • 선형 회귀(Linear Regression), 로지스틱 회귀(Logistic Regression)
  • K-최근접 이웃(KNN), K-평균(K-Means)
  • 의사결정나무(Decision Tree), 기본 평가 지표
• 표현 학습 & 차원 축소
  • 주성분 분석(PCA)
• 딥러닝 기초
  • 다층 퍼셉트론(MLP)
  • 합성곱 신경망(CNN)
  • 순환 신경망(RNN)과 시퀀스 모델링
  • 실습: RNN을 이용한 Seq2Seq 모델 구현

---

💻 프로그래밍 및 실습

• Python 및 Jupyter/Colab 환경에서 진행되는 퀴즈와 코딩 과제
• 다음과 같은 단계별 실습 제공:
  • 데이터 사이언스 프로그래밍(NumPy, Pandas, Matplotlib)
  • 선형/로지스틱 회귀 실습
  • KNN & K-Means 튜토리얼
  • MLP, CNN, RNN 등 딥러닝 모델 실습
• 재현 가능한 ML 실험 코드 작성을 중요하게 다룸

---

🎓 수업 방식

• 직관적인 예제를 통한 개념 중심 강의
• 라이브 코딩과 노트북 기반 튜토리얼
• 자주 제공되는 퀴즈와 프로그래밍 과제로 개념 정착
• 필요 시 AI 안전성·견고성·윤리 이슈와 연결하여 논의

---

👨‍🏫 담당 교수

김진현 교수 (Prof. Jin Hyun Kim)
경상국립대학교 사이버안전 연구실 (Cyber Safety Lab)