과학적 관리’는 산업공학의 기초 필수교과목이다. 산업공학 전공 저학년 학생을 대상으로 산업공학이 추구하는 이념, 원칙, 범위, 기본적 방법론 등을 강의한다. 수강생들은 Frederick Winslaw Taylor를 비롯한 산업공학 선구자들이 추구했던 사상을 학습한다. 이를 통해서 산업공학의 역사적 배경을 이해하며, 또 오늘날의 상황에 맞게 재해석을 시도하여 과학적 관리의 진정한 의미를 체화한다.

이 과목에서는 복잡한 시스템 구조 설계와 시스템 공학에 대한 여러 분야의 방법론 및 설계 과정, 그리고 종합적인 사항들을 고려한 설계 기법에 대하여 학습한다. 시스템 구조 구상을 위한 모델링 기법, Spiral 및 V 모델 등 여러 시스템 개발 프로세스, 그리고 DfX (Manufacturing, Human Factors, Reliability, 등) 에 대한 강의 및 과제를 수행한다.

본 과목에서는 제품 상세설계에 대한 기본 개념과 설계된 제품을 효율적으로 생산하기 위한 후속 공정들에 관한 내용들을 다룬다. 과목 초반 및 중반부에서 학생들은 개발 과정 중 제품 상세설계 과정에서 중요한 요소인 CAD 모델링 및 Additive Manufacturing을 사용한 Prototyping 기술을 다양한 실습을 통하여 학습하고 이와 병행하여 제품 상세설계의 중요한 요소들인 재료선정, 공차 및 편차 관리, 그리고 관련 제조 공정 등에 대한 기본 이론을 학습한다. 과목 후반부에는 제품의 직접적인 품질과 관련된 조립공정에 대한 중요 사안들 (조립 순서 분석, 조립공정 설계, 작업장 설계)을 강의와 관련 그룹 프로젝트를 통하여 학습한다.

전문적인 학술지를 중심으로 논문연구를 수행한다.

본 과목의 목적은 공과대 대학원 과정 학생들을 대상으로 자동차 인간공학 관련 최신 지식들을 제공하고, 인간공학적 차량 설계 관련 연구를 제안, 수행하는 능력을 배양토록 하는데 있다. 인체 측정학, 사용자 수용 개념, 자동차 내부 공간 설계, SAE 표준, 운전 불편도/편의도 평가, 시트 디자인, 디지털 휴먼 모델, 가상 Fitting Trials, 감성공학 응용, Display와 Control의 설계, 승하차 설계, 보편적 설계 등의 주제를 다루게 된다. 수강생들은 다수의 디자인 문제들을 해결하고 Term 프로젝트를 수행함으로써 실제 산업 프로젝트를 제안, 수행하는 능력을 배양하게 된다.

산업공학과 관련된 제반 연구문제들을 현장전문가의 세미나를 통하여 소개하고 교육한다.

정수계획법은 변수의 값이 정수로 제한되는 문제로, 현실에서 가장 많이 응용되는 최적화모형이다. 이 수업에서는 선형계획의 이론과 기본적인 수리적 기법으로 NP-hard 정수계획문제들을 해결하는 다양한 해법을 살펴본다. 분지한계법, 절단평면법, 라그랑지 쌍대기법, 열생성기법, 그리고 발견적 기법을 포함한다. 특히 학생들은 자신들의 문제를 모형화하고 해법을 개발, 구현하는 프로젝트를 수행하게 된다.

이 과목은 NP-hard 조합최적화 모형에 관한 계산론과 해법을 다루는 타 과목 조합최적화와 상보적인 내용을 다룬다. 즉, 풀기 쉬운 모형인 네트워크흐름문제, 매칭, 그리고 매트로이드 문제들을 다룬다. 특히 가장 중요한 해법 개발 개념인 다면체적인 접근법을 포함하여 기존의 선형계획적인 접근법과 일관성 있는 해법 개발의 개념을 습득하도록 한다.

기업의 근본적으로 재화와 용역의 계획, 설계, 개발, 생산(구현) 및 유통, 또는 그 밖의 관련행위를 통하여 이익을 창출하고 사회에 기여함을 목적으로 하는 바, 기업활동의 직접적 대상인 제품 및 서비스를 얼마나 체계적으로 관리(경영)할 수 있느냐 하는 것은 기업의 생존여부를 결정짓는 중요한 요소이다. 본 교과에서는 경쟁적 시장상황 하에서 신제품(서비스)개발을 통한 기업경쟁력의 제고를 목적으로, 이를 달성하기 위한 체계적 방법론을 토의한다. 다루어질 주요 논제는 (1) 제품 및 서비스의 가치측정 방법론, (2) 제품의 품질, 비용 및 가격 관리, (3) 플랫폼의 설계 및 관리, (4) 제품/서비스 다양성 관리, (5) 제품 수명주기 관리, (6) 제품개발과 관련된 리스크 관리, (7) 제품개발을 위한 프로젝트 및 프로세스 관리 방법론 등이다.

인공 신경망을 기반으로 하는 심층 학습 (Deep Learning) 시스템들은 음성/이미지 인식, 번역, 자율 주행 등 다양한 인공지능 영역에서 광범위하게 확산되고 있으며, 관련 기술 또한 빠르게 발전하고 있는 바, 산업 전반에 걸친 시스템의 지능화를 위해, 심층 학습 모형에 대한 이해와 활용 능력이 점차 중요해지고 있다. 본 과목에서는 심층 학습의 주요 이론과 기법을 학습하는 것을 목적으로, 구체적으로 표현형 학습 (Representation Learning), 심층 피드포워드 신경망 (Deep Feedforward Networks), 합성곱 신경망 (Convolutional Neural Networks), 순환 신경망 (Recurrent Neural Networks), 심층 오토인코더 (Deep Autoencoders), 심층 생성 모형 (Deep Generative Models), 심층 강화학습 (Deep Reinforcement Learning) 기법들을 다루고, 이들을 이해하기 위한 기계학습 및 수리적 기초 이론들을 배운다.