일본 만엽집은 향가였다 또는 AWS로 시작하는 AI 서비스 with 파이썬 > NEW도서

일본 만엽집은 향가였다



도서명 : 일본 만엽집은 향가였다
저자/출판사 : 김영회, 북랩
쪽수 : 452쪽
출판일 : 2021-04-19
ISBN : 9791165397135
정가 : 16000

책머리에 1
책머리에 2

1장 만엽집의 설계도, 신라향가 창작법

1. 보물을 감춘 자는 지도도 만든다
2. 향가는 표의문자(表意文字)로 기록되어 있다
3. 향가의 표음문자(表音文字) 표기는 미끼였다
4. 청언(請言)은 마력의 소리다
5. 보언(報言)은 연극대본의 지문이다
6. 향가의 문장은 한국어 어순법으로 되어 있다
7. 향가는 신라의 표기법인 서기체(誓記體)로 표기되었다
8. 향가의 문장은 세 줄로 꼰 새끼줄
9. 고유명사는 작품의 창작의도와 연결되고 있다
10. 여러 입은 쇠를 녹인다
11. ‘지(之)’와 신라토기 행렬도
12. 대구법(對句法)과 초신성
13. 비교법, 그리고 만엽집의 원가(原歌)와 반가(反歌)
14. 만엽집은 향가였다

2장 노래로 쓴 역사

웅략(雄略)천황과 미조법(美藻法) _ 1번가
서명(舒明)천황, 천향구산(天香具山)에 오르다 _ 2번가
효덕(孝德)천황의 정치적 고립 _ 3~6번가
제명(齊明)천황, 손자의 죽음에 오열하다 _ 7~8번가
액전왕(額田王), 대해인(大海人)의 여자가 되다 _ 9번가
유간(有間)황자 모반가 _ 10~11번가
제명(齊明)천황 사세가(辭世歌) _ 12번가
중대형(中大兄)황자, 이성산(耳成山)에 올라 나라가 편안하기를 빌다 _ 13~14번가
중대형(中大兄)황자, 제명(齊明)천황 회고가 _ 15번가
액전왕(額田王), 천지(天智)천황의 여자가 되다 _ 16번가
천지(天智)천황, 나라(奈良)를 불태우다 _ 17~19번가
액전왕(額田王)과 대해인(大海人)의 역사를 바꾼 밀애 _ 20~22번가
천무(天武)천황의 어진 정치 _ 23~24번가
십시(十市)황녀, 눈 내리는 언덕길을 넘다 _ 25~27번가
지통(持統)천황, 만엽향가의 여황 _ 28번가
지통(持統)천황, 아버지 천지(天智)천황을 무화산(畝火山)에 모시다 _ 29~33번가
한 편뿐인 천무(天武)천황 눈물향가 _ 34번가
초벽(草壁)황자 사망과 향가 폭발 _ 35~49번가
초벽(草壁)황자 사망과 등원경(藤原京)을 건설한 뜻 _ 50~53번가
문무(文武)천황, 아버지 초벽(草壁)황자 묘 참배 _ 54~56번가
초벽(草壁)황자, 해로 떠오르다 _ 57~62번가
지통(持統)천황 사망, 왜인들은 그대를 기억하리 _ 63~75번가
문무(文武)천황 사망, 활 쏘는 소리가 어찌해 이익이 되겠는가 _ 76~77번가
원명(元明)천황, 평성경(平城京) 천도 _ 78~80번가
등원경(藤原京), 귀신처럼 대단했던 그대의 기세 _ 81~82번가
안녕, 지통천황 _ 83번가
고야(高野)의 시대 _ 84번가
84번가의 비밀 _ 만엽집 권제1 최대의 미스터리

3장 일본서기 속의 향가

효덕천황 고립가(孤立歌)
제명천황 비곡가(悲哭歌) 1
제명천황 비곡가(悲哭歌) 2
제명천황 비곡가(悲哭歌) 3
제명천황 비읍가(悲泣歌) 1
제명천황 비읍가(悲泣歌) 2
제명천황 비읍가(悲泣歌) 3
제명천황 동요(童謠)
중대형황자 매화가(梅花歌)

마무리: 만엽집은 노래로 쓴 역사였다




AWS로 시작하는 AI 서비스 with 파이썬



도서명 : AWS로 시작하는 AI 서비스 with 파이썬
저자/출판사 : 이노우에 켄이치, 영진닷컴
쪽수 : 248쪽
출판일 : 2021-11-05
ISBN : 9788931465822
정가 : 22000

저자의 말
소스 코드 다운로드 방법

제1장 인공지능이란 무엇인가?
1.1 3차 인공지능 붐
1.1.1 3차 인공지능 붐이란?
1.1.2 인공지능이란 무엇인가?
1.1.3 1차 인공지능 붐
1.1.4 제2차 인공지능 붐
1.1.5 인공지능이란 약간 앞서나간 IT
1.2 기계학습
1.2.1 기계학습이란 무엇인가?
1.2.2 기계학습의 구조
1.2.3 기계학습과 프로그래밍
1.2.4 기계학습으로 무엇을 할 수 있을까?
1.2.5 기계학습은 틀릴 수 있다
1.3 기계학습의 대표적인 기법
1.3.1 선형회귀
1.3.2 기계학습과 딥러닝
1.3.3 심층 뉴럴 네트워크

제2장 AWS의 기계학습 서비스
2.1 기계학습을 어떻게 사용할까?
2.1.1 기계학습 사용하고 만들기
2.1.2 프로그래밍으로 모델 만들기
2.1.3 웹 서비스로 모델 만들기
2.1.4 작성된 모델을 사용하기
2.2 AWS에서 기계학습을 사용하려면?
2.2.1 Amazon AI
2.2.2 Amazon SageMaker
2.2.3 Amazon EC2와 AWS Deep Learning AMI
2.2.4 데이터 레이크와 데이터 분석 서비스
2.3 기계학습을 시스템으로 사용하려면?
2.3.1 기계학습을 사용한 시스템이란?
2.3.2 기계학습 워크플로우
2.4 AWS에서 기계학습 워크플로우 만들기
2.4.1 데이터 수집과 축적
2.4.2 데이터 분석과 전처리
2.4.3 어떤 기계학습 서비스를 사용할까?
2.4.4 시스템에 설치
2.5 AWS 계정을 만들다
2.5.1 계정을 만드는 순서

제3장 AI 서비스
3.1 AI 서비스란?
3.1.1 AI 서비스는 Cognitive 서비스
3.1.2 AI 서비스 개요
3.1.3 AI 서비스 과금에 대하여
3.2 SDK 사용 준비
3.2.1 AI 서비스와 AWS SDK
3.2.2 Jupyter Notebook 도입(Windows)
3.2.3 Jupyter Notebook 도입(macOS)
3.2.4 IAM으로 사용자 추가 및 권한 부여
3.2.5 인증 정보의 저장
3.2.6 기존 사용자에게 권한 부여
3.2.7 Jupyter Notebook에서 AWS SDK for Python을 사용하기
3.2.8 S3 버킷 작성 및 파일 업로드
3.3 Amazon Rekognition
3.3.1 Amazon Rekognition이란?
3.3.2 이미지를 이용한 사물의 인식
3.3.3 이미지를 이용한 얼굴 인식
3.4 Amazon Comprehend
3.4.1 Amazon Comprehend란?
3.4.2 자연어 식별하기
3.4.3 엔티티 추출하기
3.5 Amazon Textract
3.5.1 Amazon Textract란?
3.5.2 영어 서류 이미지에서 데이터 획득하기
3.6 Amazon Translate
3.6.1 Amazon Translate란?
3.6.2 커스텀 용어를 사용하지 않는 번역
3.6.3 커스텀 용어를 사용한 번역
3.7 Amazon Transcribe
3.7.1 Amazon Transcribe란?
3.7.2 한국어 음성 파일의 인식
3.8 Amazon Polly
3.8.1 Amazon Polly란?
3.8.2 한국어 텍스트를 음성으로 변환하기
3.9 Amazon Lex
3.9.1 Amazon Lex란?
3.9.2 챗봇을 구현하기 위한 기술
3.9.3 AWS Lambda와 연계 109
3.9.4 LexModelBuildingService와 LexRuntimeService
3.9.5 Lex에서의 대화 구성
3.9.6 BookTrip 샘플로 동작 확인하기
3.9.7 Response 추가
3.9.8 챗봇 공개
3.10 Amazon Forecast
3.10.1 Amazon Forecast란?
3.10.2 Amazon Forecast에서 사용하는 데이터 셋(SET)
3.10.3 Amazon Forecast로 데이터 Import(데이터 셋 그룹 작성)
3.10.4 예측자 작성
3.10.5 예측 생성과 결과 확인
3.10.6 예측자 매트릭스 참조
3.11 Amazon Personalize
3.11.1 Amazon Personalize란?
3.11.2 Amazon Personalize에서 사용하는 데이터 셋
3.11.3 Amazon Personalize로 데이터 Import(데이터 셋 그룹 작성)
3.11.4 솔루션 (솔루션 버전) 생성
3.11.5 캠페인 생성
3.11.6 Recommendation 획득

제4장 Amazon SageMaker
4.1 SageMaker란 무엇인가?
4.1.1 SageMaker로 할 수 있는 일
4.1.2 SageMaker 사용 시작
4.1.3 SageMaker 기능과 화면 구성
4.1.4 Ground Truth(라벨링)
4.1.5 노트북
4.1.6 트레이닝(학습)
4.1.7 추론
4.1.8 S3 버킷 준비와 IAM Role 생성
4.1.9 SageMaker의 과금 체계
4.2 SageMaker 노트북 사용하기
4.2.1 SageMaker 노트북
4.2.2 노트북 인스턴스 생성
4.2.3 노트북 사용
4.2.4 노트북 인스턴스 정지
4.3 SageMaker 내장 알고리즘으로 모델 생성
4.3.1 SageMaker 내장 알고리즘을 이용한 모델 생성
4.3.2 SageMaker의 내장 알고리즘이란?
4.3.3 훈련 데이터 준비

4.3.4 훈련 데이터 가공
4.3.5 Hyper parameter 설정과 S3에 데이터 업로드
4.3.6 훈련 JOB 생성
4.3.7 정확도 평가
4.3.8 모델 생성
4.3.9 End point 구성 만들기
4.3.10 End point 생성
4.3.11 End point 삭제
4.3.12 배치 변환 JOB
4.4 SageMaker의 다양한 내장 알고리즘
4.4.1 내장 알고리즘 카탈로그
4.4.2 선형 학습자
4.5 SageMaker Studio와 SageMaker Autopilot
4.5.1 SageMaker Studio
4.5.2 SageMaker Autopilot

제5장 AWS Deep Learning AMI
5.1 EC2 환경에서의 딥러닝
5.1.1 유연한 환경이 필요한 경우
5.1.2 EC2와 AMI
5.1.3 DLAMI와 기본 DLAMI
5.2 DLAMI 사용하기
5.2.1 AMI에 의한 EC2 Instance 구축
5.2.2 DLAMI의 Jupyter Notebook 열기
5.2.3 TensorFlow와 Keras를 통한 모델 구축
5.2.4 구축한 모델의 배포(Deploy)
5.2.5 EC2 Instance의 중지 또는 종료

찾아보기
번역을 하면서