최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 논문은 왜곡 제거 시계열 매칭의 시각화 도구를 제안하며, 잡음, 위치 이동, 진폭 조정, 선형 추세 등의 왜곡을 제거하여 정확한 유사 시계열 검색을 지원합니다. 제안하는 도구는 클라이언트-서버 모델 기반으로 구현되었으며, R*-트리 기반 인덱스를 사용하여 효율적인 매칭을 수행하고 결과를 다양한 차트로 시각화합니다.
파이썬과 OpenCV를 이용한 컴퓨터 비전 학습 : 컴퓨터 비전 애플리케이션을 만들기 위한 강력한 OpenCV 3와 파이썬 활용하기
보안 데이터 시각화 : 데이터의 핵심을 한눈에 보여주는 최적의 기법
실전 시계열 분석
우아한 사이파이
다변량 시각화 데이터 분석법 =
시계열 예측과 분석 : 통계적 모형·혼합형 모형·딥러닝 모형
차근차근 알아보는 시계열의 특성 및 분석
데이터 시각화 : processing을 이용한 데이터 탐색과 표현
R 응용 시계열분석
(실전에서 바로 쓰는) 시계열 데이터 처리와 분석 in R : 교육, 고용, 코로나 데이터를 활용한 시계열 프로젝트
(실전에서 바로 쓰는) 시계열 데이터 처리와 분석 in R : 교육, 고용, 코로나 데이터를 활용한 시계열 프로젝트
파이썬 머신러닝 판다스 데이터 분석 =
Data smart : 엑셀로 이해하는 데이터 과학 입문
Pandas cookbook 2e : 파이썬 데이터 과학 기초
(빅 데이터 분석을 위한) R 프로그래밍 : 자료분석과 전처리·통계분석·기계학습
데이터 시각화 =
Visualization in Scientific Computing '98 : proceedings of the Eurographics workshop in Blaubeuren, Germany, April 20-22, 1998
일변량 시각화 데이터 분석법 =
케라스 2.x 프로젝트 : 실전 딥러닝 모델 구축과 훈련 9가지 프로젝트
데이터 시각화 설계와 활용 : 데이터에 내재된 인사이트 발견과 표현 방법
정보과학회논문지 : 데이타베이스
이성진, 이성진, 조훈, 한욱신정보과학회논문지 : 데이타베이스
김범수, 문양세, 김진호정보처리학회논문지. 소프트웨어 및 데이터 공학
이상훈, 문양세, 방준상, 문성우정보처리학회논문지D
김상욱, 박대현, 이헌길Neural Processing Letters
Junlu Wang; Ruiqiang Ma; Linjiao Xia; Baoyan SongSignal Processing
Sukhanov S.,Wu R.,Debes C.,Zoubir A.M.데이타베이스연구
김범수, 문양세정보과학회논문지 : 데이타베이스
길명선, 김범수, 문양세, 김진호Journal of Visualization
Zihao Zhu; Yue Shen; Sujia Zhu; Gefei Zhang; Ronghua Liang; Guodao Sun정보과학회 컴퓨팅의 실제 논문지
길명선, 김범수, 문양세, 김진호The Visual Computer: International Journal of Computer Graphics
Wan, Yuan; Meng, Xiaojing; Wang, Yufei; Qiang, HaopengIEEE Potentials, Potentials, IEEE
Uribe-Hurtado, A.; Orozco-Alzate, M.; Rodriguez-Soto, E.Applied Intelligence
Bo Chen; Min Fang; GuiZhi WangInternational Journal of Systematic Innovation
Jawale, A.; Tripathy, A.K.Multimedia Tools and Applications
Kim, B.-S.; Lee, J.-G.; Moon, Y.-S.Data Mining and Knowledge Discovery
Diehl, Joscha; Krieg, Richard한국컴퓨터정보학회논문지
김범수, 김진욱IEEE Transactions on Cybernetics
Hongyue Guo; Xiaodong Liu; Lidong Wang; Witold PedryczData Mining and Knowledge Discovery
Kate, Rohit J.Data Mining and Knowledge Discovery
Diehl, Joscha; Krieg, Richard전선 / 대학원
데이터마이닝 (Data Mining)은 대용량 데이터베이스에 존재하는 데이터 간의 관계, 패턴, 규칙 등을 찾아내고 모형화해서 의사결정을 돕고, 유용한 정보로 변환하는 일련의 과정이다. 본 강좌에서는 기술모델링과 예측모델링에 사용되는 통계학, 기계학습, 신경회로망 기법들을 공부하고, 응용 사례 연구와 패키지를 이용한 프로젝트를 수행한다.전선 / 학사
시계열자료의 분석법 및 여러가지 종류의 시계열자료 분석용 패키지의 사용법에 대해 공부한다. 주로 다루어지는 내용은 ARIMA모형, 계절 ARIMA 모형, 이분산성 (GARCH) 모형, 이산형 시계열 모형 등이며, 이들 모형에서 모수 추론 방법론 및 변화점 탐지 이론 등을 다룬다.전선 / 대학원
본 강좌는 통계모형을 이용한 고급 자료 분석의 전 단계로 자료에 대한 충분한 이해와 인사이트를 발견하는데 필요한 탐색적 자료 분석 방법들과 이에 도움을 주는 효과적인 시각화 방법에 대한 이론과 응용을 배운다. ▪ 요약통계 ▪ 그래프 문법 원리 ▪ 데이터 랭글링 ▪ 상관성 그래프 요약 (상관관계, 시계열, 인과관계) ▪ 다변량 자료의 시각화 ▪ 시계열 동적 자료의 시각화 ▪ 비정형 자료 시각화 ▪ 인터랙티브 그래프의 이론과 응용(shiny)전선 / 학사
통계학, 인공지능, 컴퓨터공학의 도구를 총체적으로 사용하는 데이터마이닝은 기존의 과학 및 공학 분야 뿐 아니라 생산, 마케팅, 금융 등과 같은 비즈니스 분야에도 활발히 사용되고 있다. 본 강좌에서는 데이터마이닝의 기본적인 문제인 클러스터링, 분류, 연관분석 등과 해당 기법들을 소개한다. 또한, 실제 비즈니스에서 데이터마이닝이 사용되는 배경 및 사례를 공부한다. 생산, 마케팅, 금융 분야의 실제 데이터를 사용하여 마이닝을 수행하는 프로젝트를 함으로써 이들 분야에 있어서의 데이터마이닝의 특성을 이해하고 문제해결능력을 제고하고자 한다.전선 / 학사
수많은 기업과 조직들은 머신러닝과 AI를 빅데이터에 적용하여 의사결정을 내리고 가치를 창출하고 있습니다. 하지만 그 과정에서 점점 커져가는 데이터와 점점 복잡해져 가는 알고리즘을 의사결정자인 사람이 이해하는 것이 필수적으로 선행되어야 합니다. 데이터 시각화는 데이터와 알고리즘을 사람이 직관적으로 이해할 수 있도록 도와주는 강력한 도구입니다. 이 수업을 통해 학생들은 다양한 유형의 데이터를 요약하고 시각적으로 표현하여 다른 사람과 효과적으로 커뮤니케이션 할 수 있는 방법들에 대해서 배울 것입니다.전선 / 대학원
기계학습은 다양한 분야에서 점차 큰 관심을 받고 있으나, 막상 실제 데이터에 적용하여 성공적인 결과를 도출하는 데에는 많은 어려움이 따른다. 본 과목은 기계학습 기법들을 실제 문제에 적용할 때에 중요한 데이터 전처리, 피쳐 추출, 차원 축소, 클래스 불균형, 모델 앙상블 등의 주제들을 다루고, 데이터로부터 모형과 종속성을 학습하는 원리와 기법들을 소개하는 바, 특히 확률, 통계 및 최적화 이론에 기반하여 신경망 (Neural Networks), 서포트 벡터 머신 (Support Vector Machines), 은닉 마르코프 모형 (Hidden Markov Models) 및 강화 학습 (Reinforcement Learning) 기법들을 공부한다. 또한, 이들 기법을 활용하여, 다양한 시계열 데이터들을 대상으로 예측 및 분류 모델을 구현하는 프로젝트들과 데이터 기반 학습의 사례 연구들이 포함된다.전선 / 대학원
사람들이 일반적으로 동의하는 시각적인 표현이 존재하지 않는 대량의 추상적인 데이터를 직관적으로 시각화하고 동적으로 제어할 수 있게 함으로써 사용자들의 인지능력의 향상을 꾀하는 정보 시각화에 대하여, 시지각 이론을 포함한 이론적 바탕에서 출발하여 데이터의 형태별 시각화 방법론, 인터액션 방법론, 디자인 스터디 방법론, 평가 방법론 등 다양한 기술적 배경을 실제 문제 해결을 통하여 학습한다. 더 나아가서, 정보시각화 기술에 기반하여 인터액티브한 시각적 인터페이스를 디자인하고 이를 통하여 전문가의 창의적 문제해결 능력을 극대화함으로써 인류가 직면한 실제 문제를 해결하려는 새로운 과학적 시도인 시각적 분석 기술도 학습한다. 특히 통계학, 기계학습, 데이터마이닝 등 데이터 과학 분야의 관련 기술들을 정보 시각화 시스템에 효과적으로 융합하는 기술적 방법론도 다양한 실례와 디자인 프로젝트를 통해 체득한다.전선 / 대학원
시계열분석은 경제학 및 인접 학문분야의 실증분석에 매우 유용한 방법론이다. 본 강좌에서는 대학원 과정 학생들이나 학부의 필요고급과목(계량경제학과 수리통계학 또는 경제통계학연구)을 이수한 학생들을 대상으로 최근 30여년동안 개발된 시계열분석기법을 학습한다. 전체 강좌의 내용은 크게 2부분으로 구성되어 있다. 전체 강좌의 3/4정도는 기본 내용인 시계열분석기초(시계열변수의 주요성격, AR, MA, ARMA 등)와 VAR, GMM, Unit Root and Cointeration, VECM, ARCH, Switching Regime, Structural Change, Long Memory, Spectral Analysis, Bayesian Methods 등으로 이루어져 있으며, 학기의 나머지 1/4은 Dynamic Stochastic General Equilibrium Model을 중심으로 경제학의 구조모형(structural model)을 실증분석하는데 적용되는 분석기법을 배운다. 본 강좌를 이수하는 동안 학생들은 한 가지 정도의 프로그래밍 소프트웨어를 배우고 익숙하게 사용할 수 있어야 한다.전선 / 대학원
본 강좌는 영상 데이터를 분석하기 위한 수학적 모델링 기술 및 기계 학습 기술 등을 강의한다. 영상 데이터 분석에 널리 이용되는 기본적인 기계 학습, 특히 딥 러닝 기법을 집중적으로 학습하고, 이러한 기술이 다양한 영상 분석 문제에 어떻게 적용되는지 살펴본다. 이론 강의뿐만 아니라 실습과 프로젝트를 통하여 영상 데이터 분석에 필요한 다양한 기술을 학습한다. ● 기계학습 기초 리뷰 (지도학습, 비지도학습, 준 지도학습) ● 합성곱 신경망 (컨볼루션 신경망) ● 순환 신경망 (리커런트 신경망) ● 이미지 데이터 처리 기법 (이미지 분류, 물체 인식, 이미지 분할) ● 비디오 데이터 처리 기법 (비디오 분류, 행동 인식, 영상 내 검색, 물체 추적) ● 다면성 데이터 처리 (시청각-언어 정보 처리) ● 생성적 모델링전선 / 학사
이 강의에서는 실질적 문제해결을 위한 다양한 자료 분석 방법론의 이해와 적용을 경험한다. 해결하고자 하는 문제의 구체화를 포함하여, 데이터의 수집 및 정리, 탐색적 데이터분석, 시각화, 통계적 추론 및 예측 그리고 의사결정의 핵심 원리를 배운다. 정형 데이터뿐만 아니라 비정형 데이터(텍스트 데이터, 공간 데이터, 네트워크 데이터) 분석 방법도 다루며, 이러한 데이터에 적합한 시각화 및 분석 기법을 학습한다. 학생들은 다양한 데이터의 구조를 이해하고 적절한 자료 분석 방법을 선택하며, 실습을 통해 배운 내용을 실제 문제에 적용하여 해결하는 전 과정을 경험한다. 이를 통해 문제해결 능력과 실무에서 활용 가능한 분석 역량을 효과적으로 향상시킨다.전필 / 학사
이 과목에서는 컴퓨터에 의한 문제 해결을 위해 필요한 개념이나 대상물의 표현을 위한 자료 구조와 문제해결을 위한 체계적 사고 방법을 학습한다. 배열, 연결 리스트, 큐, 스택, 우선순위 큐 등의 기본적인 자료구조를 배우고, 검색 트리, 해시 테이블, 균형 잡힌 검색 트리 등 자료의 색인을 위한 자료구조와 그들의 효율성을 배운다. 정렬, 그래프 알고리즘 등 문제 해결에 유용한 도구와 생각하는 방법에 관한 내용도 제공한다. 프로그래밍 과제가 부여되며 이를 위한 최소한의 가이드가 제공된다.전필 / 대학원
본 교과목은 데이터과학 분야에 관심있는 통계학 석사 과정 대학원생을 대상으로, 데이터 랭글링 및 시각화, 회귀분석, 선형 모형, 일반화 선형 모형, 혼합 모형, 분류를 포함하여 모든 데이터 과학자가 익숙해야 하는 통계 방법론 및 이를 통계 소프트웨어를 사용해 적용하는 실례를 다룬다. 기존의 통계학 과목과 비교하여 본 교과목은 이론에 대한 강조가 덜한 대신, 통계 방법론을 구현하고 주요 개념을 실제 자료에 적용하여 데이터를 분석하기 위해 어떻게 소프트웨어를 사용하는지에 대해 더 중점을 둔다. 주요 개념에 대해서는 그것이 “작동하는 이유”에 대한 직관적 설명을 위주로 한다. 본 과목의 모든 통계 분석은 R과 Python을 사용한다.전선 / 대학원
일변량 시계열자료의 분석을 위해 시간영역에서의 분석모형인 ARIMA 모형의 설정, 적합, 진단 및 예측 방법과 진동수 영역에서의 Spectral theory 이론을 학습하고 실제자료의 분석을 통해 모형을 수립하는 방법을 배운다.전선 / 학사
이 과목에서는 컴퓨터를 통하여 데이터 관련 문제를 해결하기 위해 필요한 자료 구조와 문제 해결을 위한 알고리즘 설계 방법을 학습한다. 배열, 연결 리스트, 큐, 스택, 우선순위 큐 등의 기본적인 자료구조를 배우고, 검색 트리, 해시 테이블, 균형 잡힌 검색 트리 등 자료의 색인을 위한 자료구조와 그들의 효율성을 배운다. 정렬, 그래프 등의 알고리즘 설계를 위한 이론도 제공한다.전필 / 학사
기본적으로 선형회귀모형을 주어진 자료에 적합시키는 방법을 소개하며, 모형모수에 대한 추론도 다룬다. 이 과목에서 다루는 주제를 나열하면, 단순선형회귀, 다중선형회귀, 모형적합진단, 가중선형회귀, 변수변환, 회귀진단, 레버리지 및 영향점 탐지, 범주형변수를 위한 회귀분석기법, 다중공선성, 변수선택 및 모형선택, 비선형회귀, 일반화선형모형, 인공신경망 등이다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 학사
문제를 해결하기 위해 알고리즘을 구성하고 이를 분석하는 방법에 대해 강의한다. 알고리즘의 효율성 분석 도구(점근적 복잡도, 점화식), 정렬 및 선택 알고리즘, 자료의 저장과 검색(검색 트리, 해시 테이블), 집합의 처리, 동적 프로그래밍, 그래프 알고리즘, 문자열 매칭, 계산의 한계(NP-completeness), 상태공간 트리의 탐색 등을 다룬다.전선 / 학사
선형대수학 1에서 배운 내용을 기반으로 직교행렬, 쌍대공간, 이차형식, 조르단 표준형 등을 다루며, 정보 검색, 데이터 분석 및 구조화, 컴퓨터 그래픽 등 다양한 분야에서 선형대수의 응용을 탐구한다. 이를 통해 미래 기술 역량을 강화하고, 행렬 이론을 활용하여 통계학, 유전학, 심리학, 사회학, 물리학 분야에서 발생하는 문제를 해결함으로써 융합적 문제해결 능력을 향상시키고자 한다.