최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
사법절차 및 사법서비스에서 인공지능 기술의 도입 및 수용을 위한 정책 연구
형사정책 분야의 국정과제 기여도 향상을 위한 인공지능기술 적용방안 연구 =
AI 기반 정보시스템 감사이슈 및 방법 조사연구
인공지능법 실무연구
인공지능과 금융 : 금융인을 위한 인공지능 해설과 전망
법으로 보는 인공지능
이슈 탐색도구의 구현과 적용
금융업의 인공지능 활용과 정책과제
AI in application : an in-depth examination from the legal profession
A machine learning, artificial intelligence approach to institutional effectiveness in higher education
학교 교육에서의 인공지능(AI) 활용 방안 탐색
인공지능, 법·윤리·저널리즘의 이해
인공지능 기술 관련 국제적 논의와 법제 대응방안 연구
인공지능 기반 자동화 행정행위에 관한 헌법적 고찰
인공지능법학
인공지능과 법.
인공지능과 지식재산권
인공지능 기술을 이용한 국가의 사회감시체계 현황과 주요 쟁점
공직생산성 제고를 위한 공무원 사기의 진작 방안
인공지능과 평생교육
Hsiou-Wei Lin; San-Lin Chung; Chih-Ping Wei · 2024
NTU Management Review
Brockman, Keith · 2016
International Tax Review
최용전, 양 은 영 · 2025
부패방지법연구
김남욱 · 2025
부패방지법연구
Okagbue, Ekene Francis; Ezeachikulo, Ujunwa Perpetua; Akintunde, Tosin Yinka; Tsakuwa, Mustapha Bala; Ilokanulo, Samuel Nchekwubemchukwu; Obiasoanya, Kosiso Modest; Ilodibe, Chidiebere Emeka; Ouattara, Cheick Amadou Tidiane · 2023
Social Sciences & Humanities Open
전선 / 대학원
기계학습의 기초, AI 시스템의 평가, 윤리적 /법적 측면과 함의를 교육분야의 적용 사례를 통해 살펴보고, 전통적 과학교수학습이론과 평가이론과의 접목을 논의하면서 인공지능 및 언택트 시대의 과학교수학습과 평가에 대한 조망 및 새로운 연구분야에 대한 이해를 높인다.전선 / 대학원
이 강의에서는 인공지능 신뢰성 문제, 즉 인공지능의 가치정렬, 적법·윤리성, 견고성을 측정·확보하는 기법과 이를 촉진하기 위한 제도의 설계 방안을 학습한다. 이를 위해 리스크의 측정·경감 기술의 이해 뿐 아니라 인문·사회과학·법적 관점을 융합한 다양한 접근을 제시한다. 구체적으로 공정기계학습, 설명가능 AI, 인간-AI 상호작용, 프라이버시 보존 데이터 분석, 자율시스템의 안전성, 인지모델의 견고성, 생성모델의 권리침해와 오남용 문제, 자율살상무기체계의 통제 등을 탐색한다.전선 / 대학원
이 강의에서는 인공지능 신뢰성 문제, 즉 인공지능의 가치정렬, 적법·윤리성, 견고성을 측정·확보하는 기법과 이를 촉진하기 위한 제도의 설계 방안을 학습한다. 이를 위해 리스크의 측정·경감 기술의 이해 뿐 아니라 인문·사회과학·법적 관점을 융합한 다양한 접근을 제시한다. 구체적으로 공정한 기계학습, 설명 가능한 AI, 인간-AI 상호작용, 프라이버시 보존 데이터 분석, 자율시스템의 안전성, 인지모델의 견고성, 생성모델의 권리침해와 오남용 문제, 자율살상무기체계의 통제 등을 탐색한다.전선 / 대학원
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.논문 / 대학원
이 과목은 석사 및 박사 학위 과정에 있는 학생들이 인공지능의 각 분야의 연구 경험을 쌓을 기회를 제공하는 것이다. 학생들은 이 과목을 통하여 인공 지능의 이론과 응용에 대해 공부하고, 각자의 연구 방향과 주제를 설정하며, 최종적으로는 연구 성과를 달성하는 것을 목표로 한다.전선 / 대학원
본 과목은 인공지능 분야의 우수한 연구진을 초빙하여 최근 연구 동향 및 새로운 결과에 대한 세미나를 진행하고 인공지능을 전공하는 대학원 학생들에게 유용한 정보와 지식을 제공하는 것을 목표로 한다. 이 세미나의 주요 주제는 학습과 추론, 시각과 지각, 언어와 인지, 로보틱스와 행동, 데이터 지능, 인간-AI 상호 작용, AI 시스템, AI 칩, AI 보안, 자율주행, AI 관련 법과 윤리, 등을 포함한다. 응용분야의 주제도 세미나에 포함되며, 금융/마케팅+AI, 바이오+AI, 뇌연구+AI, 의료기술+AI, 신약개발+AI, 인문/예술+AI, 소재/부품/장비+AI, 등의 다양한 주제를 다룬다.전필 / 학사
기업체 전문가, 해당분야 연구실 교수가 강의하며, 인공지능의 코어 기술과 응용의 최신 연구, 개발 트렌드를 소개한다. 각 분야별로 현재 및 미래의 중요한 인공지능 문제들을 소개하고, 이를 접근하기 위한 가용 학습데이터, 그리고 이를 이용한 최신 인공지능 설계기술 및 응용현황을 소개한다. 구체적으로는, 비전/음성/텍스트의 전통적인 문제, 학습데이터와 솔루션 뿐 아니라 인공지능 기반 시스템의 형평성, 개인데이터 기반 학습결과의 저작권, 공공데이터의 활용 방안 등 인공지능의 응용분야가 넓어지며 만나게 되는 새로운 이슈들에 대한 소개와 토의를 진행한다.전선 / 대학원
강화학습은 자율 에이전트가 환경과의 상호작용을 통한 학습을 기반으로 하는 머신러닝의 한 연구분야이다. 이 수업에서는 우선 전통적인 강화학습 내용 (MDP, Value function, Policy gradient, UCB, exploration vs exploitation)을 다룬다. 그리고 최신 연구분야인 deep reinforcement learning을 다루기 위해 multi-layer perceptron, convolutional neural network, recurrent neural network 등의 deep learning에 관한 전반적인 내용들을 학습하고 나아가 raw input의 value function approximator를 이용한 강화학습에 대해 학습한다.전선 / 학사
본 강좌는 학부 2학년 전공선택 교과목으로 인공지능의 개념과 기술을 이해하고 싶은 학생을 대상으로 한다. 수업내용은 머신러닝(Machine Learning), 딥러닝(Deep Learning), 데이터마이닝(Data Mining), 컴퓨터비전(Computer Vision), 자연어처리(Natural Language Processing; NLP) 등 총 5개 모듈로 구성되어 있으며, 모듈별 담당 교수님이 팀티칭으로 수업을 진행한다. 선수과목으로 기초수학(확률/통계/선형대수), 컴퓨터의 개념 및 실습 교과목의 선행학습을 권장한다.전선 / 대학원
본 과목에서는 인공지능의 최신 연구에 대하여 살펴본다. 기계학습, 컴퓨터비전, 자연어처리, 음성인식, 로봇 공학 등 인공지능의 여러 세부 분야에 대해 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등에 대해 발표하고 토의한다.전선 / 대학원
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할 수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등을 설명한다.전선 / 대학원
본 코스에서는 선형, 비선형, 정수, 동적, 확률적인 최적화 기법에 대해 강의한다. 각 기법에서 어떻게 바람직한 측면을 최대화 하고 부적적인 측면을 최소화 할 수 있는가를 보여 줄 수 있는 예제들을 제시하게 될 것이다. 특히 산업 뿐 아니라 컴퓨터 프로그램에서 선형, 비선형 문제를 풀기위한 응용문제를 강조하게 될 것이다.전선 / 대학원
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론및 알고리즘, 응용 분야등을 설명한다.교양 / 학사
컴퓨터를 처음 접하는 학생들을 대상으로 컴퓨터에 대한 일반적인 기초개념 등을 설명하고, 프로그램이 수행되는 과정과 프로그램 작성을 위한 논리적인 사고에 대하여 강의한다. 이와 같은 기초 지식을 바탕으로 Python 언어를 사용하는 방법을 습득한다. 일부 공과대학 학부/학과에서는 포트란, C 언어, 또는 Matlab을 사용하는 법을 익힌다. 매주 2시간의 실습을 통하여 프로그래밍 기법을 배양하도록 한다.전선 / 대학원
본 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
인공지능 기술이 빠르게 진화하고 우리 사회에 미치는 영향력이 점차 커지고 있다. 따라서, 기존의 인공지능 관련 과목에서는 다루기 힘든 최신 주제에 관하여 특강 형태의 강의를 개설함으로써 인공지능 연구 및 사회적 영향력에 관한 최진 연구 경향을 파악할 수 있는 수업을 제공하고자 한다. 이 교과목에서는 기계학습, 컴퓨터 비전, 자연어 처리, 로보틱스, 컴퓨터 통신, 컴퓨터 시스템 등과 같은 컴퓨터 과학 분야뿐만 아니라, 공학, 자연과학, 사회과학 등과 같은 다양한 분야를 다루는 수업을 개설할 수 있다.전선 / 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 강좌는 인공지능 시스템과 관련된 법적 쟁점들, 즉 로보틱스 등 자율시스템으로부터의 위해의 통제, 분류모델의 공정성·투명성, 공정 기계학습, 설명 가능 인공지능, 프라이버시 보존 데이터 마이닝 및 분석, 가격결정 에이전트와 시장질서, 자율살상무기, 디지털서비스 법체계와의 관계, 기타 규범적 쟁점, 인공지능을 통한 법체계의 고도화, 법학방법론으로서의 인공지능 등을 탐구한다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야(active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야 (active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.