최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 호우피해자료 분석 시 선형회귀모형의 어려움을 확인하고, 이를 해결하기 위해 주성분회귀모형 또는 능형회귀모형 사용을 제안한다. 제안된 모형들은 독립적인 검증 자료에서 선형회귀모형보다 더 나은 예측력을 보였다.
The Statistical analysis of failure time data
Handbook of neural computation
파이썬으로 풀어보는 회귀분석 : 단순선형회귀분석부터 고급 회귀분석까지
Introduction to regression modeling
Rainfall-runoff modelling : the primer
경시적 자료분석 : R 활용
Analysis of microdata
Regression modeling strategies : with applications to linear models, logistic regression, and survival analysis
Rainfall-induced soil slope failure : stability analysis and probabilistic assessment
Model-based recursive partitioning with adjustment for measurement error : applied to the Cox's Proportional Hazards and Weibull Model
처음 만나는 통계와 데이터분석 : R과 Python 활용
R과 SAS를 이용한 경시적 자료분석
Handbook of advanced multilevel analysis
(Must Have) 데싸노트의 실전에서 통하는 머신러닝 : 실무와 캐글에서 통하는 TOP 10 알고리즘으로 시작하라
서베이 방법론
공간계량모형응용 =
Stochastic optimization : numerical methods and technical applications
Computer models in environmental planning
한국방재학회논문집
최창현; 김종성; 이명진; 김정환; 이우주; 김형수한국방재학회논문집
김종성, 최창현, 이종소, 김형수한국방재학회논문집
최창현, 김종성, 김정환, 김한용, 이우주, 김형수Natural Hazards Review
Chen Y.,Ji W.한국방재학회논문집
김종성; 이준형; 김동현; 최창현; 이명진; 김형수한국방재학회논문집
Journal of The Korean Data Analysis Society
최수훈, 이상현, 김민수한국방재학회논문집
김종성; 최창현; 김동현; 이명진; 김형수Science of the Total Environment
Choubin B.,Moradi E.,Golshan M.,Adamowski J.,Sajedi-Hosseini F.,Mosavi A.Sustainability (Switzerland)
Wang H.,Xu J.,Tan S.,Zhou J.대한토목학회논문집(국문)
권순호, 정건희IOP Conference Series: Materials Science and Engineering
Suparta, W.; Putro, W.S.International Journal of Climatology
Kim, Joonpyo; Oh, Hee-Seok; Lim, Yaeji; Kang, Hyun-SukWater (Switzerland)
Choi C.,Kim J.,Kim J.,Kim H.S.Acta Geophysica: Official Journal of The Institute of Geophysics of the Polish Academy of Sciences
Kannegowda, Naveena; Udayar Pillai, Surendran; Kommireddi, Chinni Venkata Naga Kumar; FousiyaEngineering Geology
Shou K.,Lin J.교통연구
이선영, 한상진, 정연식한국방재학회논문집
최승용, 한건연한국방재학회논문집
최창현; 김종성; 김동현; 이준형; 김덕환; 김형수Landslides
Liu Yang; Yulong Cui; Chong Xu; Siyuan Ma전필 / 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 / 학사
이 과목에서는 데이터 분석에서 가장 많이 사용되는 분석방법 중 하나인 회귀모형을 대해서 소개한다. 단순 선형회귀모형부터 다중회귀모형에 관한 내용을 다루고 회귀모형에서의 중요한 가정과 모형진단에 대해서 알아본다. 또한 회귀모형을 이용한 예측과 예측변수의 선택에 대해 소개하고 분석결과를 보고서에 어떻게 제시할지 대해서 학습한다.전필 / 대학원
전통적인 구조적 모형을 추정하는 회귀분석 방법을 공부한다. 단순회귀분석, 다중회귀분석, 연립방정식 추정 등을 다룬다. 그리고 자기회귀, 다중공선성, 이분산성, 변수선택 등의 문제를 해결하는 방법을 익힌다.전선 / 대학원
한 개체로부터 다른 실험조건하에서나 여러 다른 관측시간에 반복적으로 얻어진 자료를 분석하기위한 통계기법을 다룬다. 연속형의 반복측정자료를 분석하기 위해 다변량정규분포의 가정을 필요로 하는 고전적인 다변량모형을 소개하고 최근에 널리 사용되고 있는 혼합모형을 다룬다. 이산형의 반복측정자료 분석을 위해서는 가중최소제곱법에 근거한 모형과 랜덤화 모형을 다루고 일반화선형모형을 확장한 일반화추정방정식(GEE)모형을 다룬다.전선 / 학사
이 강좌는 자료분석을 위해서 사용하는 다양한 고급 통계 방법에 관한 교육을 목표로 한다. 회귀분석에서 소개된 선형모형의 이론과 응용을 보다 일반적인 경우로 확장하고 각 방법들에 대한 직관적인 설명과 한계에 대해서 알아본다. 또한 실제 문제에서 이러한 방법을 적용하기 위한 프로그래밍을 통한 구현 방법을 학습한다. 이 강좌를 이수한 후 수강생들은 새로운 자료 분석 문제를 마주쳤을 때 (1) 적절한 통계 분석 방법을 선택하고 (2) 이러한 방법들을 통계 소프트웨어를 이용하거나 프로그래밍을 통하여 구현하고 (3) 분석 결과를 통계학 전공이 아닌 사람들에게 설명할 수 있어야 한다.전필 / 학사
본 수업에서는 경제학 기본이론, 통계학, 경제수학 등을 이수한 학생들을 대상으로 농업경제 현상에 관련된 경제변수들의 관계를 측정하기 위한 기본이론을 다룬다. 모델설정, 추정, 예측 및 정책분석을 궁극적 목표로 하며 이를 위해서 필요한 회귀분석, 중회귀분석, 시계열 분석 등을 학습한다. 또한 이론만이 아니라 이를 실증적으로 적용할 수 있도록 컴퓨터 실습시간을 가진다.전선 / 대학원
본 강좌는 수강생에게 행정학과 정책학에 필요한 다중회귀분석에 대한 심층적 이해를 제공하는데 있다. 수강생은 일반회귀분석에 대한 집중분석과 더불어 프로빗 및 로짓 회귀분석에 대한 학습도 할 것이다. 회귀분석의 주제는 누락변수편의, 측정오류, 다중공선성 문제를 포함한다. 인과관계나 내생성 문제도 도구변수와 이중차이분석기법과 함께 논의될 것이다. 나아가 본 강좌는 다중선택 및 다중순서형 로짓모형과 프롯빗 모형, 토빗모형에 대한 간략한 소개도 할 것이다. 본 강좌는 다양한 통계프로그램을 활용하여 행정 및 정책 쟁점들과 관련된 실제 자료에 대한 분석을 강조하고자 한다.전선 / 학사
본 강의에서는 통계적 추론에 기반한 기계학습의 기초에 대하여 학습하고 조선해양공학의 응용문제에 대한 프로젝트를 수행한다. 기계학습에 관련된 확률, 선형대수, 최적화의 기초에 대하여 학습한다. 확률에 기반한 최우추정법에 대하여 학습한다. 비지도 학습 분류 방법 및 선형 회귀법에 대하여 학습한다. Hidden Markov 모델과 Bayesian Inference의 개념, 이론 및 알고리즘에 대한 개요를 학습한다. Neural Network에 기반한 학습모델로 이미지 인식을 위한 Convolutional Neural Network, 음성과 같은 time series 데이터의 학습을 위한 Recurrent Neural Network의 개요에 대하여 학습한다. 그리고 보상에 따라 학습하는 Reinforcement Learning에 대하여 익힌다. 마지막으로 조선해양공학 응용의 기계학습 프로젝트를 수행하도록 한다.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 / 대학원
본 강좌는 고급 자료분석을 위한 모형기반 통계분석방법론에 대해 다룬다. 자료의 특징과 분석의 목적에 따라 적합한 통계모형을 제시하고, 자료를 적합, 적합된 통계모형의 해석을 통한 인사이트 제시등에 대해 다룬다. 프로젝트를 통해서 배운 방법들을 실제 데이터에 적용하고 발표한다. ● Linear model and linear mixed model ● Generalized linear model ● Shrinkage method and variable selection ● Graphical methods and causal Inference ● Bayesian methods전선 / 대학원
범주형 자료를 분석하기 위한 통계기법들을 소개한다. 범주형 자료들은 대개 분할표를 이용해 정리할 수 있기 때문에 분할표를 분석할 수 있는 통계방법을 중점적으로 다룬다. 주된 주제들은 분할표분석, 로그 선형모형, 로지스틱모형이다.전선 / 대학원
역해석 문제(Inverse Problems)는 관측 데이터를 바탕으로 정보를 추출하고 미지의 매개변수를 규명하기 위한 근본적인 수학적 틀을 제공하며, 데이터 처리, 이미징, 모니터링, 최적 설계 등 다양한 과학 및 공학 분야에서 발생한다. 본 교과목은 영상 처리, 지반 탐사, 손상 탐지, 장치 최적화 등의 응용을 통해 이론적 기초와 실제 구현을 다루며, 목적 함수, 정규화 항, 해법 알고리즘의 선택이 재구성 품질과 계산 효율성에 어떤 영향을 미치는지를 탐구한다. 특히 공학 설계 응용에 중점을 두어, 편미분방정식으로 구속된 역해석 문제를 정식화하고 해결하는 이론적 이해와 응용법을 소개한다. 노이즈가 포함된 제한적인 관측으로부터 미지의 매개변수 분포를 규명하거나, 구조물의 기하적 특성 혹은 경계 조건을 찾는 문제를 주로 다룬다. 본 교과목의 주요 학습 목표는 다음과 같다: - 수학적 기초: 역해석 문제의 ill-posedness 및 non-uniqueness를 이해한다. - 정규화 이론: Tikhonov 정규화, Total Variation 기법, 혼합 접근법 등을 적용하여 역해석 문제를 wellposed 문제로 변환한다. - 최적화 기법: gradient 기반 및 Newton-type 알고리즘을 구현하여 비선형 역해석 문제를 효율적으로 해결한다. - 민감도 해석: Adjoint 기반 기법을 활용하여 gradient와 Hessian을 효율적으로 계산하고 대규모 문제 해결에 적용한다. - 문제 정식화: 적절한 목적 함수를 설계하고, 정규화 기법을 선택하며, 물리적 제약 조건이나 제작 가능성을 반영한 설계 전략을 수립한다.전필 / 대학원
자료를 모형화하는 통계적 방법으로 선형모형의 중요성을 다루는 것이 이 과목의 목적이다. 이론적인 측면도 공부하지만 주로 모형선택, 추정, 모형검증과 같은 방법론을 강조한다. 다루는 모형은 단순회귀, 다중회귀, 일차분산분석, 이차 분산분석 등을 다룬다. 추론을 위해 최소제곱방법을 주로 사용하지만 이와 관련하여 우도에 기초한 방법도 다루게 된다. 선형모형을 통한 자료의 모형을 위해 R을 이용한다.전필 / 대학원
본 강좌는 자료 분석에 필요한 계량경제분석의 기본적 수학 원리와 함께 고급 회귀분석 방법들을 소개하고자 한다. 특히 이 과목은 다양한 회귀분석 모형에 관한 이론적 추론과 수리적 학습을 강조하고자 한다. 본 강좌의 주요 주제로는 모형설정, 자료문제, 도구변수, 이분산성, 자기상관성, 연립방정식 모형, 그리고 패널자료 분석을 포함한다.전선 / 대학원
구조방정식모형은 관찰변수와 잠재변수를 포괄하여 변수간 구조적 관계를 모형화하고 이를 경험적으로 확인하고자 교육연구에서 자주 사용되는 모형이다. 이 교과목에서는 구조방정식모형을 이해하는 데 필요한 통계적 기초를 포함하여 구조방정식모형의 기본적 개념 및 이론적 기초를 다루며, 이를 토대로 하여 측정모형과 구조모형에서 시작하여 다시점 자료에 적용할 수 있는 잠재성장모형이나 여러 집단간에 동일한 구조적 관계가 존재하는지 살펴보는 데 활용될 수 있는 다집단 구조방정식모형까지, 교육연구에서 가장 자주 사용되는 기본적 모형들을 소개하고자 한다.전선 / 학사
본 수업에서는 데이터를 이용한 모형의 추론과 예측모형 생성을 배우며, 그 과정을 통해 질문의 구조화, 데이터 수집과 정리, 통계추론, 예측모델링, 의사결정과정의 핵심원리를 배운다. 중급수준의 데이터의 변환, 데이터 정제, 모형적합, 모형선택, 모형진단 등에 대한 기초이론을 배우며, 데이터 실습을 통해 그 과정을 익힌다.전선 / 대학원
본 강좌는 다양한 머신러닝기법을 활용한 기후환경데이터 분석 방법을 소개한다. Linear regression, Logistic regression, Support Vector Machine (SVM), Random Forest, XGBoost, LightGBM 등과 같은 지도 학습 기법에 더불어,K-mean clustering, Principal Component Analysis, Singular Value Decomposition,Self-Organizing Map (SOM) 등의 비지도 학습 머신러닝 기법들의 구동 원리를 파악할 수 있는 이론 강의와, 이 중 일부를 활용한 실습 과정으로 구성된다. 다양한 머신러닝 기법 기반의 데이터 분석 방법을 비교함으로서 머신러닝 기법들의 장단점을 파악할 수 있도록 한다.전선 / 학사
일기와 관련한 지구상 각 지역의 특징적인 기상 현상을 설명한다. 특히 동아시아지역의 몬순, 중위도 고·저기압계, 태풍, 강수를 다룬다. 컴퓨터를 이용한 기본 일기도의 작성과 분석을 실험하며 기본 일기도를 이용하여 보조 일기도의 작성한다. 강의에서 다룬 일기계의 실제 예보법을 습득하고 일기예보 브리핑을 수행한다.