LikeSNU는 서울대 중앙도서관이 체계적으로 수집/분석한
서울대 구성원의 지식 빅데이터(도서 대출, 논문, 학사, 강의, 수업 계획서) 기반 지식정보 플랫폼 입니다.
최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
오희숙, 1963-; 원유선; 음악미학연구회
모노폴리
2021
세아 이운형 문화재단 총서 11권. 유튜브, 매시업, 인공지능을 중심으로 디지털 기술이 음악에 몰고 온 영향력을 탐구한다. 음악학자, 작곡가, 철학자, 유튜버 등 다양한 주체가 참여한 이책은 디지털 혁명이 촉발한 음악적 변화를 창작, 연주, 수용의 관점에서 조망하면서 동시대의 음악을 바라보는 독창적인 미학적 사유를 소개한다.
인공지능, 법에게 미래를 묻다 : 로봇 기술 활용에 앞서 알아야 할 법 제도 이야기
인공지능, 법에게 미래를 묻다 : 로봇 기술 활용에 앞서 알아야 할 법 제도 이야기Structural pattern recognition
Structural pattern recognition
인공지능(AI) 부작용으로 발생가능한 재난 이슈 발굴
인공지능(AI) 부작용으로 발생가능한 재난 이슈 발굴
Artificial intelligence for drug development, precision medicine, and healthcare
Artificial intelligence for drug development, precision medicine, and healthcare
Artificial intelligence : a national strategic initiative
Artificial intelligence : a national strategic initiative
Kubrick's story, Spielberg's film : A.I. artificial intelligence
Kubrick's story, Spielberg's film : A.I. artificial intelligence
혼자 공부하는 머신러닝+딥러닝 : 머신러닝+딥러닝 구조와 알고리즘부터 인공 신경망, 프랜스포머, 최신 LLM까지! 케라스와 파이토치로 1:1 과외하듯 배우는 인공지능 자습서
혼자 공부하는 머신러닝+딥러닝 : 머신러닝+딥러닝 구조와 알고리즘부터 인공 신경망, 프랜스포머, 최신 LLM까지! 케라스와 파이토치로 1:1 과외하듯 배우는 인공지능 자습서
Object detection with deep learning models : principles and applications
Object detection with deep learning models : principles and applications
Programming for artificial intelligence : methods, tools, and applications
Programming for artificial intelligence : methods, tools, and applications
(의사를 위한) 실전 인공지능 =
(의사를 위한) 실전 인공지능 =
Predictive policing and artificial intelligence
Predictive policing and artificial intelligence
텐서플로를 활용한 머신러닝 : 그림으로 쉽게 개념부터 익히는 머신러닝, 딥러닝 입문서
텐서플로를 활용한 머신러닝 : 그림으로 쉽게 개념부터 익히는 머신러닝, 딥러닝 입문서
단단한 심층강화학습 : 심층강화학습 기본 개념을 제대로 정리한 인공지능 교과서
단단한 심층강화학습 : 심층강화학습 기본 개념을 제대로 정리한 인공지능 교과서
Artificial intelligence : modern magic or dangerous future?
Artificial intelligence : modern magic or dangerous future?
인공지능 윤리하다
인공지능 윤리하다
인공지능 : 현대적 접근방식
인공지능 : 현대적 접근방식
Markov Models : understanding Markov models and unsupervised machine learning in Python with real-world applications
Markov Models : understanding Markov models and unsupervised machine learning in Python with real-world applicationsIEEE Access
Wu Y.C.,Chow C.W.,Liu Y.,Lin Y.S.,Hong C.Y.,Lin D.C.,Song S.H.,Yeh C.H.COLORATION TECHNOLOGY
Yu, Zhiqi; Xu, Yang; Wang, Yuanfei; Wang, Yuekun; Sheng, XiaoweiJournal of Physics: Conference Series
W Setiawan; E M S Rochman; B D Satoto; A RachmadIEEE Transactions on Wireless Communications
Hu J.,Zhang H.,Bian K.,Han Z.,Poor H.V.,Song L.멀티미디어학회논문지
이제경; 김정기; 안정인; 임지연; 차경애Engineering Applications of Artificial Intelligence
Li Y.,Jin J.정보과학회논문지
이지은, 정승원, 심종화, 황인준Optical Memory and Neural Networks
Y. Goshin2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING
Tzinis, Efthymios; Wisdom, Scott; Hershey, John R.; Jansen, Aren; Ellis, Daniel P. W.HELLENIC JOURNAL OF NUCLEAR MEDICINE
Apostolopoulos, Ioannis D.; Papathanasiou, Nikolaos D.; Spyridonidis, Trifon; Apostolopoulos, Dimitris J.Neural Computing and Applications
Li H.,Yan Y.,Wang S.,Liu J.,Cui Y.Pattern Recognition Letters
Triki A.,Bouaziz B.,Gaikwad J.,Mahdi W.IEEE Transactions on Medical Imaging
Xu H.,Dong M.,Lee M.H.,O'Hara N.,Asano E.,Jeong J.W.Results in Materials
Sawai, Kengo; Chen, Ta-Te; Sun, Fei; Ogawa, Toshio; Adachi, YoshitakaNanomanufacturing and Metrology
Mizutani Y.,Kataoka S.,Uenohara T.,Takaya Y.IEEE Geoscience and Remote Sensing Letters
Linhui Wang; Yuming Xiang; Hongjian You; Xiaolan Qiu; Kun FuProceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine
Gürkan Ünsal; Akhilanand Chaurasia; Nurullah Akkaya; Nadler Chen; Ragda Abdalla-Aslan; Revan Birke Koca; Kaan Orhan; Jelena Roganovic; Prashanti Reddy; Dian Agustin WahjuningrumFuture Generation Computer Systems
Kumari K.,Singh J.P.,Dwivedi Y.K.,Rana N.P.Acta Oncologica
Zhu J.,Zhang J.,Qiu B.,Liu Y.,Liu X.,Chen L.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.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 대학원
본 강의에서는 지능시스템을 위한 패턴인식 알고리즘들에 대해서 공부한다. 패턴인식은 문자인식, 지문인식, 얼굴인식, 음성인식 등을 모두 포괄하는 지능시스템을 구현하기 위한 필수적인 분야로 그 응용 분야가 매우 다양하며 풀고자 하는 문제에 따라 분류문제, 회귀문제, 군집화문제 등으로 나눌 수 있다. 본 강의에서는 각각의 문제들을 풀기 위해 대표적으로 사용되는 알고리즘들에 대해서 살펴보며 수강생들로 하여금 학기중 프로젝트를 통해서 패턴인식 기술을 사용하는 지능형 시스템을 구현해 보도록 한다.전선 / 학사
이 과목에서는 주어진 데이터 내에서 최적화를 통해 인간의 학습을 모방하는 머신 러닝과 인간 학습과의 차이점을 소개하고 최근 컴퓨팅 성능의 고도화에 따라 머신러닝을 기반으로 한 인공지능의 활용 분야를 소개한다. 수강생들은 기존 알고리즘 기반 분류 기법 및 머신러닝을 위한 수학적 기초를 이해하고 최신 인공신경망 구조를 기초로 한 머신러닝 패키지를 활용해 본다.전선 / 대학원
인공심장을 비롯한 인공판막, 보조인공심장 및 기타 인공장기의 종류 및 특성에 대하여 다룬다.전선 / 대학원
치과 심미수복 분야에 적용할 수 있는 색상 및 광학적 성질에 관한 기본 개념 및 이를 이해하기 위한 연습을 병행하는 교과목으로서 본 교과목을 통하여 심미수복 과정에서 광학적 특성에 관한 이해를 높일 수 있다. 본 교과목에서는 색상 및 색상 측정, 색상 이외에 심미성에 영향을 주는 광학적 특성, 자연치아의 광학적 특성, 심미수복재(레진, 세라믹 및 의치용 재료)의 광학적 특성, 색상 교육 및 연습, 색상 조화과정, 색상 표현방법 등에 관한 강의와 이에 따른 실습을 병행한다.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
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
대학원생을 위한 교과목으로 인공지능의 핵심 기술인 딥러닝 분야의 고급 이론 및 최신 응용을 다룬다. 구체적으로는 다음과 같은 주제를 다룬다: 트랜스포머 및 메모리-오그멘티드 신경망(메모리네트워크, 뉴럴튜링머신), 생성적대망, 베리에이셔널 오토인코더, 생성플로우 등 심층생성모델; 연속학습, 소수샷학습, 도메인적응, 전이학습 등 메타러닝; 적대적학습; 자동기계학습및 하이퍼파라메터최적화; 자기지도 및 비지도 학습; 보안 및 프라이버시; 딥러닝의 최신 응용 등 - 권장 선수과목: 기계학습 및 전기정보응용(M2608.001300), 딥러닝(M2177.003100)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
구강 내에서 상실된 치아를 주변 구조물들의 정보와 이미 수립된 data base를 이용하여 삼차원 적으로 재구성하는 방법 연구. 기존의 연구 내용을 기반으로 실제 임상에서 사용가능 여부를 검증하고 더욱 진보된 방법을 찾는다. 비록 구체적 algorithm 개발은 어려울지라도 강의를 들어 기초적 지식을 습득하고 이를 기반으로 기본 연구 방향을 제시하고 실제 임상에서의 need를 제공하여 이미 이루어진 연구를 더욱 발전시킬 수 있도록 한다. 수업은 journal review club을 기본으로 외부 연자의 초빙 및 필요한 경우 report를 제출하도록 한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 기초 강좌이다. 본 교과목은 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.전선 / 대학원
지도 학습은 인스턴스에 알려진 레이블이 있는 경우에 사용되는 기계 학습의 한 유형인데, 비지도 학습과는 달리 인스턴스가 레이블이 없는 경우이다. 실제 문제에 지도 학습을 적용하는 과정은 데이터 전처리, 속성 선택, 알고리즘 선택 및 평가와 같은 몇 가지 단계를 포함한다. 회귀 분석과 분류는 일반적인 지도 학습 방법의 두 가지 유형이다. 선형 모델, 거리 측정, 프로토타입 기반 방법, 나이브 베이즈, 커널 기법 및 앙상블 기법은 지도 학습에서 사용될 수 있는 알고리즘의 예이다. 성능 측정은 지도 학습 모델의 효과를 평가하는 데 사용되는 반면, 비지도 학습은 클러스터링, 차원 축소, 잠재 변수 모델, 그래픽 모델 및 강화 학습 등을 포함한다. 혼합 전문가 및 제한된 볼츠만 머신과 같은 확률적인 방법도 비지도 학습에 사용될 수 있다. 엔드 투 엔드 학습과 심층 신뢰 네트워크는 기계 학습에서 사용되는 다른 기술이다. 본 강좌에서는 기계학습을 이해하기 위한 다양한 기초 지식들을 강의한다.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
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 / 대학원
이 과목의 목적은 인공지능의 한 분야인 기계학습을 재무 연구에 활용하도록 하는 데 있다. 세부적으로는 의사결정나무, 인공신경망 등의 여러 기계학습 개념을 이해하는 것으로 시작하여 재무 연구의 실제 활용 사례들을 살펴본다.
음악서사학과 위상수학의 에지 : 인공지능이 발견한 도드리 사이클의 비밀
인공지능 융합수업 : 챗GPT, AIVA, 구글을 활용한 미래 음악 교실
인공지능과 음악 : 대한민국 1호 AI 뮤직 컨설턴트의 미래 음악 이야기 : AIMA로 4차 산업혁명 시대의 길을 열다
챗GPT & AI 31가지 실전 활용 : 교육·문서·취업·창직·생활·글쓰기·미술·음악 & 인공지능과 협업하기
디지털 혁명과 음악 : 유튜브, 매시업, 그리고 인공지능의 미학
생각한다: 인공지능(AI) 시대의 음악 연구 단상
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.
본 수업은 음악작품들을 중심으로 음악에 대한 철학적 논의를 역사적·체계적 관점에서 다룬다. <철학적 시각에서 음악에 대한 어떠한 이론이 전개되었는가?>, <음악에는 어떤 철학적 의미가 내재되었는가?>의 주제를 중심으로 철학적 텍스트와 다양한 음악작품을 살펴볼 것이다. 이를 통해 음악에 대한 인문학적 이해의 폭을 넓히는 것이 이 수업의 목적이다.
뉴노멀의 음악 : 디지털 컨버전스 음악으로 미래를 듣다
음악이 멈춘 순간 진짜 음악이 시작된다 : 플라톤부터 BTS까지, 음악 이면에 담긴 철학 세계
철학 속의 음악
철학 속의 음악
디지털 혁명과 음악 : 유튜브, 매시업, 그리고 인공지능의 미학
데이터가 존재하지 않습니다.