최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 음악 분야 2차 산업 데이터를 활용하여 딥러닝 기법 기반의 음악 흥행 예측 모델 구축 가능성을 확인하였다. 17개의 독립변수를 기반으로 음원 차트 내 상주 기간을 예측하는 모델을 개발했으며, 선형 회귀 분석을 통해 변수를 소거한 DNN 모델과 예측률을 비교 분석하였다.
수학이 사랑한 음악 : 고대부터 AI 음악까지 음악사와 기술사의 교양서
딥다 딥러닝 : 수학·이론·실습을 호쾌하게 뚫는다!
미술관에 GAN 딥러닝 실전 프로젝트 : GAN으로 쓰기, 그리기, 게임하기, 작곡하기
삶 속에 들어온 생성형 AI 음악
Fashion & music
AI와 음악
파이토치 첫걸음 : 딥러닝 기초부터 RNN, 오토인코더, GAN 실전 기법까지
Applications of Machine Learning
숫자는 거짓말을 한다 : 통계와 그래프에 속지 않는 데이터 읽기의 힘
로코노믹스 : 음악 산업에서는 누가, 어떻게 돈을 버는가
The cognition of basic musical structures
만들면서 배우는 생성 AI
Create, produce, consume : new models for understanding music business
케이팝
The economics of symbolic exchange
Music business handbook and career guide
온라인 음악시장 활성화 방안
데이터 기반 디지털 경제 미래예측 방법론 연구
음악산업백서
DMB와 모바일 콘텐츠
Journal of Intelligence and Information Systems
Sang-Yup Lee; Sung-Hyu Chon; Sungwon Jung지능정보연구
이상엽; 전성휴; 정성원한국전자거래학회지
조유정, 강경표, 권오병Journal of Platform Technology
Wu MengSi, Lian XuInternational Journal of Electronic Commerce Studies / IJECS
Sung-Shun Weng; Hung-Chia Chen한국데이터정보과학회지
오현진, 김예준, 손세준, 이한준한국콘텐츠학회 논문지
이남미, 구요한, 유명현, 김재현디지털콘텐츠학회논문지
김가연, 김명준FRONTIERS OF COMPUTER SCIENCE
Han, Donghong; Kong, Yanru; Han, Jiayi; Wang, GuorenNonlinear Engineering
He X.,Dong F.Procedia Computer Science
Pricop, Tudor-Constantin; Iftene, AdrianJournal of Physics: Conference Series
Sun, G.SN Computer Science
Arora, Shruti; Rani, RinkleBehaviour and Information Technology
Aum J.,Kim J.,Park E.IEEE/ACM Transactions on Audio Speech and Language Processing
Cheng L.,Sun X.,Yao D.,Li J.,Yan Y.Journal of Circuits, Systems and Computers
Huizi Li; Chao Zhang응용통계연구
김지민, 김지연, 서민지, 송종우Behaviour & Information Technology
Jihwan Aum; Jisu Kim; Eunil ParkJournal of Circuits, Systems and Computers
Li, H.; Zhang, C.Personal and Ubiquitous Computing
Azuaje G.,Liew K.,Epure E.,Yada S.,Wakamiya S.,Aramaki E.전선 / 대학원
음악교육 연구의 다양한 주제 및 연구 방법을 조사하고 토론한다. 자신의 논문 주제를 구체적으로 선정하고 탐구하는 방법을 성찰하는 동시에 음악교육 연구의 전체적인 동향과 다양한 이론들이 현장에 적용되는 방식들을 조망한다.교양 / 학사
본 강좌는 AI와 머신러닝의 기초 개념을 이해하고, 이를 실제 데이터에 적용하여 예측 및 분류 문제를 해결하는 능력을 배양하는 것을 목표로 한다. 기초적인 데이터 처리 방법부터 머신러닝과 딥러닝 모델에 이르기까지 다양한 주제를 다루며, Pandas, Scikit-learn, PyTorch 등의 라이브러리를 사용하여 데이터를 처리하고 모델을 구현한다. 또한, TV 광고 데이터를 활용한 매출 예측, 신용카드 연체 예측 등 실생활 문제를 다루어 AI 기술이 실질적으로 활용되는 사례를 제공하며, 학생들이 데이터를 통해 실제로 문제를 해결하는 과정에서 얻는 성취감을 높이고자 한다.전선 / 학사
4차 산업혁명이라 불리는 인공지능시대를 맞아 음악대학에서는 학생들이 시대적 변화에 맞추어 음악적 역량 발전시킬 수 있는 학습의 장을 마련하고자, 세 영역의 교수(연주실기, 미학, 테크놀로지)가 공동으로 참여하는 수업을 개설하고자 한다. 본 수업은 빅데이터와 AI 기반의 디지털혁신이 전 산업 분야로 확산되는 변화의 시대에 창의적인 사고를 통해 세계적인 변화를 주도할 음악인재(창작, 연주, 이론) 양성을 목표로 한다. 주요 내용: (1) 빅데이터, 딥러닝, AI(인공지능)에 대한 이해를 높이고 이를 활용한 음악 분야의 콘텐츠에 대한 기초 지식과 전망을 제시한다. (2) 새로운 디지털 도구에 대한 이해를 통해 적용 가능한 음악 컨텐츠 개발을 모색하고 창의적 창작, 연주의 실제적 음악 활용을 목표로 한다. (3) AI 음악 창작과 연주에 나타나는 미학적 문제를 ‘포스트휴머니즘 미학’을 중심으로 다룬다. 기계가 인간을 모방하는 차원을 넘어, 창작과 연주의 주체로 등장하면서 촉발되는 쟁점과 AI 음악창작에 나타나는 감정과 창의성, 그리고 창작 주체의 문제를 검토할 것이다.전선 / 대학원
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. 또한, 본 과목은 심층 학습 모델을 활용하여 멀티미디어 데이터들을 대상으로 분류, 예측, 패턴 인식, 생성 모델을 구현하는 프로젝트들 및 심층 학습 응용 사례 연구들을 포함한다.전선 / 대학원
본 교과목은 응용 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.전선 / 학사
이 과목은 오늘날의 공연예술가에게 다각도로 요구되는 핵심 역량을 함양하고 커리어를 개발하기 위해, 변화하는 음악 시장 및 예술 생태계와 청중을 이해하고 프로그래밍, 협업, 프로모션, 창업 정신, 음악 리더십, 프로젝트 디자인 및 경영 등을 탐색하고 이에 필요한 각각의 전문적인 기술들을 실습한다.전선 / 대학원
아시아 연구 데이터 분석은 아시아 전역의 사회문화적 역학 연구를 위해 데이터 집약적 기법과 인문학적 해석을 연결하는 학제적 방법으로서 문화 분석을 소개한다. 이 강의는 문화 분석을 단순한 방법론적 틀이 아닌, 컴퓨터적 접근 방식과 해석적 실천을 연결하는 구체적인 방식으로 다룬다. 이를 통해 인문학과 사회과학을 특징짓는 상호텍스트성, 심층적인 역사적 맥락, 그리고 상황적 발화를 전면에 부각시킨다. 경험적으로, 이 과정은 텍스트, 시각, 청각의 세 가지 탐구 영역을 아우르며, 컴퓨터 도구를 활용하여 민족주의, 카스트와 같은 사회적 응집력, 그리고 언어, 지역, 젠더, 계급 등 사회학적 지표 전반에 걸친 다양한 변이와 같은 강력한 사상의 궤적을 추적한다.전선 / 학사
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.전선 / 학사
본 수업은 음악대학 교직과정 학생들을 위한 필수교과목으로, 음악에 대한 글쓰기 방법을 체계적으로 지도하여 학생들의 사고능력과 글쓰기 능력을 함양하는 것을 기본목적으로 한다. 이를 위해 음악 또는 음악비평에 관한 글들을 읽고, 나아가 학생 스스로 음악에 대한 에세이를 작성한다.전선 / 대학원
이 과목은 영화, 방송, 게임, 대중음악과 같은 엔터테인먼트 산업 및 공연, 전시 등 순수예술 산업과 관련된 마케팅 이슈를 다루게 되며, 일반 기업의 입장에서 문화예술을 마케팅에 활용하는 방법에 대한 내용을 포함한다. 수업은 주로 문화예술 마케팅에 관련된 국내외 문헌을 읽고 토론하는 형식으로 진행되며, 문화산업 특유의 연구 주제에 대한 이론 및 사례에 대한 강의가 병행된다.전필 / 대학원
이 수업은 음악에서의 분석과 연구 자료 조사 능력을 개발시키는 것을 목적으로 한다. 학생들은 다양한 스타일의 글쓰기 연습을 통해 훈련될 예정이다. 모아진 광범위한 범위의 자료들은 그들을 고무시키는 한편, 가장 적합한 데이터를 선택하고 통합하기 위해서는 학생들의 비판적인 사고가 특히 요구된다. 매 수업은 학생들 개인의 프로젝트를 수정하는 작업과 개선을 위한 토론으로 진행될 것이다.전선 / 대학원
본 교과목에서는 선박설계를 위한 다양한 인공지능 방법을 배우고 이의 응용 사례를 살펴보는 것을 목적으로 한다. 먼저 선수 과목 등을 통해 학습한 여러 딥 러닝 기법, 즉 DFN (Deep Feedforward Network), RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), 강화 학습 (Reinforcement Learning) 등의 개념을 복습한다. 이후, 설계 분야를 기본설계, 생산설계, 운항설계 등으로 구분한 뒤, 각 분야에서 인공지능이 필요한 사례를 학습한다. 기본설계에서는 도면 내 객체 및 텍스트 인식, 해기상 및 선박 소요 마력 예측 등의 사례를 살펴본다. 생산설계에서는 블록 탑재를 위한 크레인 제어 등의 사례를 살펴본다. 운항 설계에서는 영상 기반 선박 주변 장애물의 탐지 및 추적, 선박의 충돌 회피 등의 사례를 살펴본다. 끝으로 학생들은 설계 분야의 특정한 주제에 대해 인공지능을 활용한 문제 해결 방법에 대해 Term Project를 수행한다.전선 / 대학원
광고, TV 드라마, 영화 등 각종 영상매체와 공연예술의 상관관계를 규명함으로써 20세기 이후 급속히 발전해온 매체의 발달로 인해 전통적으로 인정되어온 연극적 특성이 새로운 매체환경에서 겪게되는 변화양상과 새로운 쟝르 개척의 가능성을 탐색해보고자 한다. 이른바 뉴미디어와 공연예술의 연관성도 주요한 관심사들 중 하나가 될 것이다.전선 / 대학원
데이터 분석은 기술 예측 및 기술 전략과 같은 기술 경영 분야와 IT, 제조, 에너지, 헬스케어 등 다양한 산업 분야에서의 프로세스를 개선하거나 의사 결정을 지원하기 위한 필수적인 도구로서 자리매김하고 있다. 이 강의에서는 높은 수준의 데이터 분석을 위하여 필요한 데이터마이닝, 텍스트마이닝, 머신러닝, 딥러닝 분야의 여러 기법들에 대해 심도 있게 배우고, 이를 통해 산업과 경영의 문제를 해결한 사례들을 살펴본다. 강의를 통해 배운 내용을 바탕으로 학생들은 관심 분야에서의 문제 해결 및 나은 의사 결정을 위한 데이터 분석을 수행하며 데이터 분석을 기반으로 한 문제 해결 능력과 비즈니스 통찰력을 기른다.전선 / 학사
본 과목은 자연어 이해를 위한 확률 및 딥러닝 학습 방법론을 다룬다. 자연어 이해는 인공 지능에서 크게 주목받고 있는 영역으로 활용 범위가 웹 검색, 번역, 대화 모델 등으로 다양하다. 자연어 이해에서 성공적인 모델은 확률기반, 딥러닝 기반, 대형 언어모델 기반 모델 등이 있다. 본 과목에서는 이러한 다양한 모델을 이해하고, 디자인하고 구현하고 평가하는데 요구되는 최신 기술들을 다룬다. 1. 과목소개 2. Bag-of-word 언어모델 3. N-gram 언어모델 4. Bayesian 모델 5. Logistic 회귀 6. 임베딩 7. CNN 8. RNN 9. Transformer 10. 문맥적 임베딩 11. 지식 구축 및 활요 12. 언어에서의 AI 편향성전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.전선 / 대학원
본 과목은 산업공학과 및 공과대학 대학원생을 대상으로 다변량 데이터분석에 필요한 기반 지식을 전반적으로 이해하고 응용할 수 있는 능력을 배양함을 목표로 하며 이를 위해 다변량 통계학 (multivariate analysis) 방법론 (회귀분석, 요인분석, 군집분석, 판별분석, 구조화 방정식 등) 에 관한 이론과 실습을 중심으로 학습하고 이를 연구의 설계, 연구자료의 수집과 분석, 분석결과의 정리 그리고 결과를 해석하도록 한다.전선 / 대학원
전통음악은 연주가에 의해 창작되고 변주되며 오랜 시간 축적되어 오늘에 이르렀다. 본 수업은 오늘날 전해진 전통음악을 재해석하고 발전시켜 새로운 음악컨텐츠를 생산하는 데 목적이 있다. 기존 연구논문들에 역보되어 있는 고악보의 악곡들을 활용하여 복원 및 변주를 실습함으로 전통음악 레퍼토리를 활성화 한다. 또한 기존의 정악과 민속음악 중 알려지지 않은 악곡을 찾아내거나 악기편성, 음악 구조 등의 변화를 통한 변주를 시도해본다. 학내 종강 발표회 혹은 공연현장에서의 기획 연주를 모색하여 연구와 실습이 조화를 이루도록 한다.