AI 101

이 과정은 중요한 상황에서 말하기 능력을 향상시키기 위한 몇 가지 규칙을 배우는 데 초점을 맞추고 있습니다. 학습자는 면접, 논문 방어, 구술 시험 등 다양한 상황에서의 효과적인 발표 방법을 익힐 수 있습니다.

이 과정은 컴퓨터 과학에서 데이터 구조의 근본적인 역할을 탐구하며, 효율적인 알고리즘 개발에 있어 데이터 구조의 중요성을 강조합니다. 학습자들은 동적 그래프, 메모리 계층 구조, 해싱을 포함한 심화 주제를 공부하는 동시에, 해당 분야의 최신 연구 방향을 접하게 됩니다.

이 과정은 보안 컴퓨터 시스템의 설계 및 구현에 중점을 두며, 다양한 위협 모델과 보안 기술을 탐구합니다. 학습자는 최근 연구 논문의 통찰력을 바탕으로 운영 체제 보안, 네트워크 프로토콜, 하드웨어 보안과 같은 주제를 다루게 됩니다.

이 과정은 포커 이론의 복잡성과 투자 관리 및 트레이딩에서의 포커 분석 활용법을 탐구합니다. 학습자들은 포커와 금융 환경 모두에 대한 이해를 높일 수 있는 의사결정 프레임워크와 전략을 심도 있게 다루게 됩니다.

이 과정은 컴파일러 설계와 최적화 기법에 초점을 맞추어 고급 프로그래밍 언어 구현의 복잡한 세부 사항을 깊이 있게 다룹니다. 학습자들은 Java®를 사용하여 MIPS 실행 머신 코드를 생성하는 컴파일러를 직접 구축하는 실습 프로젝트에 참여하게 됩니다.

이 과정은 고전적 접근 방식과 현대적 접근 방식 모두에 초점을 맞춘 시스템 엔지니어링에 대한 포괄적인 입문을 제공합니다. 학습자는 이해관계자 분석, 요구사항 정의, 시스템 아키텍처 및 설계 최적화와 같은 핵심 개념을 탐구하고 이러한 원칙을 실제 프로젝트에 적용하게 됩니다.

이 과정은 이론과 응용을 모두 포함하여 딥러닝의 기초를 다룹니다. 주제에는 신경망 구조(MLP, CNN, RNN, 그래프 신경망, 트랜스포머), 딥러닝의 기하학 및 불변성, 오차 역전파 및 자동 미분, 고차원에서의 학습 이론 및 일반화, 그리고 컴퓨터 비전, 자연어 처리, 로보틱스에 대한 응용이 포함됩니다.

이 과정은 머신러닝에서의 편향과 공정성이라는 중요한 문제를 깊이 있게 다루며, 특히 국제 개발에 미치는 영향에 초점을 맞춥니다. 학습자들은 형평성과 사회 정의를 증진하기 위해 머신러닝을 적절하게 활용하는 전략을 탐구하게 됩니다.

이 과정은 대화형 증명(interactive proofs), 다중 증명자 대화형 증명(multi-prover interactive proofs), 그리고 확률적으로 검사 가능한 증명(probabilistically checkable proofs)에 초점을 맞추어 컴퓨터 과학에서 증명의 진화를 탐구합니다. 학습자들은 암호학을 활용하여 이러한 고급 증명 시스템을 계산적으로 건전한 비대화형 인수(SNARGs)로 변환하는 방법을 배우게 됩니다.

이 과정은 핵심 개념과 그 상호 연결성에 초점을 맞춘 선형대수학 교육의 혁신적인 접근 방식을 제시합니다. 학습자는 매력적인 영상 콘텐츠를 통해 기초 주제를 탐구하고 선형대수학의 구조와 응용에 대한 통찰력을 얻을 수 있습니다.

이 과정은 혁신적인 기술을 통해 금융 기술, 즉 핀테크(FinTech)가 금융 서비스 산업을 어떻게 변화시키고 있는지 탐구합니다. 학습자는 AI, 블록체인, 오픈 API와 같은 주요 트렌드를 학습하며, 진화하는 시장 환경과 규제 환경에 대한 통찰력을 얻게 됩니다.

이 과정은 과학 및 공학을 위한 기초 이산수학을 다루며, 컴퓨터 과학에 유용한 수학적 도구와 증명 기법에 초점을 맞춥니다. 학습자는 논리 기호, 집합, 관계, 그래프 이론, 상태 머신 및 알고리즘과 같은 주제를 탐구하게 됩니다.

이 과정은 컴퓨터 과학과 공학을 위한 기초 이산 수학을 다룹니다. 수학적 정의와 증명, 그리고 적용 가능한 방법에 중점을 두며, 논리 기호, 증명 방법, 집합, 관계, 그래프 이론 등 다양한 주제를 학습합니다.

이 과정은 실리콘 집적 회로 소자 제작에 필수적인 프런트엔드 공정의 기본 원리를 심도 있게 다룹니다. 학습자들은 산화, 확산, 이온 주입, 에피택시와 같은 핵심 공정의 고급 물리 모델과 실무적인 측면을 탐구하며, 실리콘 게르마늄(SiGe)과 같은 신소재에 대해서도 학습하게 됩니다.

이 과정은 파이썬 프로그래밍의 기초를 바탕으로 컴퓨팅 사고력과 데이터 과학 원칙을 강조합니다. 학습자들은 계산이 실제 문제를 어떻게 효과적으로 해결할 수 있는지 탐구하며, 다양한 애플리케이션을 위한 기능적인 프로그램을 작성할 수 있는 역량을 갖추게 됩니다.

이 과정은 행렬 미적분학의 필수 개념을 깊이 있게 다루며, 머신러닝 및 대규모 최적화에서의 응용에 초점을 맞춥니다. 학습자는 행렬의 도함수와 그 분해를 이해하고 계산하는 기술을 탐구하여, 현대 컴퓨팅의 복잡한 수학적 연산을 해결하는 능력을 향상시킬 수 있습니다.

이 과정은 비디지털 게임의 설계 및 분석에 관한 실무적인 측면에 중점을 둡니다. 학습자들은 팀을 이루어 협력하며 독창적인 게임을 제작, 개발 및 테스트하는 과정을 통해 다양한 게임 장르를 탐구하고, 게임 메커니즘과 규칙에 대한 통찰력을 얻게 됩니다.

이 과정은 감각이 어떻게 작동하는지, 그리고 물리적 자극이 신경계의 신호로 어떻게 변환되는지를 연구합니다. 또한 뇌가 이러한 신호를 사용하여 세상에 대해 어떻게 추론하는지를 조사하며, 청각과 시각을 강조하는 동시에 촉각, 미각, 후각에 대해서도 다룹니다.

이 과정은 듣기, 말하기, 읽기, 쓰기 능력을 동시에 개발하는 데 중점을 둔 몰입형 일본어 학습 경험을 제공합니다. 학습자는 실제 일본 미디어 콘텐츠를 활용하여 언어와 문화에 대한 이해를 심화하게 됩니다.

이 수업은 인간 언어의 본질에 관한 기초적인 질문들에 대한 해답을 제공합니다. 학습자들은 과정을 통해 인간의 언어가 복잡하면서도 규칙에 의해 지배되는 정신 체계로서 어떻게 기능하는지 살펴보고, 언어 습득, 역사적 언어 변화, 언어 멸종 위기와 같은 주제들을 탐구하게 됩니다.

이 과정은 1861년 설립부터 현재까지의 발전을 탐구하며, 과학 및 기술의 광범위한 역사의 관점에서 MIT의 역사를 조사합니다. 주제에는 교육 철학, 영향력 있는 인물들, 그리고 보스턴, 연방 정부 및 산업계와 MIT의 관계가 포함됩니다.

이 과정은 비정형 데이터를 포함하는 복잡한 문제를 해결하기 위한 실용적인 모델 구축에 초점을 맞추어, 딥러닝을 빠르게 학습할 수 있도록 안내합니다. 학습자들은 심층 신경망, 합성곱 신경망, 트랜스포머, 그리고 ChatGPT 및 Midjourney와 같은 생성형 모델을 탐구하게 됩니다.

이 과정은 국가 환경 및 에너지 정책 수립, 환경 윤리, 그리고 협력적 의사결정 전략을 다룹니다. 학습자들은 다양한 환경 분석 기법을 학습하고 환경 계획 실무에 관한 개인적인 이론을 정립하게 됩니다.

이 과정은 과학, 공학 및 관련 분야에 관한 다큐멘터리에 초점을 맞춘 다큐멘터리 영화 이론 및 제작의 입문적 탐구입니다. 학생들은 디지털 비디오 제작뿐만 아니라 과학 다큐멘터리에 대한 사회적 및 미디어 분석에 참여합니다.

이 과정은 이론과 응용을 모두 포함하여 딥러닝의 기초를 다룹니다. 주제에는 신경망 구조(MLP, CNN, RNN, 그래프 신경망, 트랜스포머), 딥러닝의 기하학 및 불변성, 오차 역전파 및 자동 미분, 고차원에서의 학습 이론 및 일반화, 그리고 컴퓨터 비전, 자연어 처리, 로보틱스에 대한 응용이 포함됩니다.

이 과정은 이미지로부터 환경에 대한 상징적 설명을 생성하는 과정에 대한 입문서입니다. 이미지 형성의 물리학, 이미지 분석, 이진 이미지 처리 및 필터링을 다루며, 로봇 공학 및 지능형 기계 상호 작용 분야의 응용 사례를 포함합니다.

이 과정은 행렬 미적분학의 필수 개념을 깊이 있게 다루며, 머신러닝 및 대규모 최적화에서의 응용에 초점을 맞춥니다. 학습자는 행렬의 도함수와 그 분해를 이해하고 계산하는 기술을 탐구하여, 현대 컴퓨팅의 복잡한 수학적 연산을 해결하는 능력을 향상시킬 수 있습니다.

이 과정은 뇌와 인지 기능을 이해하기 위한 정량적 접근 방식을 소개합니다. 학습자는 뉴런에 대한 수학적 기술, 자극에 대한 반응, 그리고 신경과학의 기초적인 데이터 분석 도구를 탐구하게 됩니다.

이 과정은 지능의 본질과 뇌가 어떻게 지능을 생성하는지, 그리고 기계에서 이를 어떻게 복제할 수 있는지를 탐구합니다. 인지 과학, 신경 과학, 컴퓨터 과학 및 인공지능을 통합한 접근 방식을 통해 학습합니다.

이 과정은 선형 대수 개념을 통해 머신러닝 알고리즘, 특히 딥러닝과 신경망을 이해하고 만드는 데 필요한 내용을 다룹니다. 확률, 통계, 최적화에 대한 응용을 포함하여 선형 대수의 전반적인 설명을 제공합니다.