최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 논문은 머신러닝 기반 자동 데이터 시각화 시스템 구축을 목표로, 시각화 추천 모델을 위한 메타 수준의 특징 공학 과정을 제시한다. 다양한 메타 특징 변수를 설계하고 의사결정나무 기반 모델을 통해 시각화 결과의 유의미성을 평가했으며, 실제 데이터셋을 활용하여 최상의 성능을 확인했다.
Multidimensional data visualization : methods and applications
Meta-learning in computational intelligence
Visualization in Scientific Computing '98 : proceedings of the Eurographics workshop in Blaubeuren, Germany, April 20-22, 1998
파이썬을 이용한 통계적 머신러닝
Feature engineering for machine learning : principles and techniques for data scientists
Design of video quality metrics with multi-way data analysis :
빅데이터 이해와 활용
Machine learning and data mining in pattern recognition : first international workshop, MLDM'99, Leipzig, Germany, September 16-18, 1999 : proceedings
Parallel coordinates : visual multidimensional geometry and its applications
(밑바닥부터 시작하는) 데이터 과학 : 데이터 분석을 위한 파이썬 프로그래밍과 수학ㆍ통계 기초
Engineering applications of bio-inspired artificial neural networks ; International Work-Conference on Artificial and Natural Neural Networks, IWANN'99, :proceedings
SAS Viya 기반의 실무에 바로 적용하는 머신러닝
R로 쉽게 시작하는 빅데이터 분석
Intelligent Data Engineering and Automated Learning IDEAL 2000 : data mining, financial engineering, and intelligent agent : second international conference, Shatin, N.T., Hong Kong, China, December 13-15, 2000 : preceeding
Machine learning with pytorch and scikit-learn : develop machine learning and deep learning models with python
Multivariate nonparametric regression and visualization : with R and applications to finance
Advanced topics in artificial intelligence : 12th Australian Joint Conference on Artificial Intelligence, AI'99, Sydney, Australia, December 6-10, 1999 : proceedings
Advanced information systems engineering : 7th International Conference, CAiSE '95, Jyväskylä, Finland, June 12-16, 1995 : proceedings
Building machine learning systems with Python
AI 엔지니어링 : 파운데이션 모델을 활용한 시스템 설계부터 개선까지, AI 앱 개발 원스톱 가이드
데이타베이스연구
최희원, 김한준VISUAL INFORMATICS
Zhu, Sujia; Sun, Guodao; Jiang, Qi; Zha, Meng; Liang, RonghuaACM Transactions on the Web
Qian X.,Rossi R.A.,Du F.,Kim S.,Koh E.,Malik S.,Lee T.Y.,Ahmed N.K.KDD '21: PROCEEDINGS OF THE 27TH ACM SIGKDD CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING
Qian, Xin; Rossi, Ryan A.; Du, Fan; Kim, Sungchul; Koh, Eunyee; Malik, Sana; Lee, Tak Yeon; Chan, JoelCHI 2019: PROCEEDINGS OF THE 2019 CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS
Hu, Kevin; Bakker, Michiel A.; Li, Stephen; Kraska, Tim; Hidalgo, CesarExpert Systems with Applications
Parmezan A.R.S.,Lee H.D.,Spolaôr N.,Wu F.C.VLDB JOURNAL
Qin, Xuedi; Luo, Yuyu; Tang, Nan; Li, GuoliangIEEE Computer Graphics and Applications
Kwan-Liu MaIEEE Transactions on Visualization and Computer Graphics
Guo, G.; Das, S.; Zhao, J.; Endert, A.대한산업공학회지
류서현, 이다경, 안길승, 허선KSII Transactions on Internet and Information Systems
Irfan Khan, Xianchao Zhang, Ramesh Kumar Ayyasamy, Rahman AliKnowledge-Based Systems
Rivolli A.,Garcia L.P.F.,Soares C.,Vanschoren J.,de Carvalho A.C.P.L.F.IEEE Transactions on Visualization and Computer Graphics
Saket B.,Endert A.,Demiralp C.COMPUTATIONAL VISUAL MEDIA
Yuan, Jun; Chen, Changjian; Yang, Weikai; Liu, Mengchen; Xia, Jiazhi; Liu, ShixiaIEEE Transactions on Visualization and Computer Graphics
Lin Y.,Li H.,Wu A.,Wang Y.,Qu H.IEEE Transactions on Visualization and Computer Graphics
Chatzimparmpas A.,Martins R.M.,Kucher K.,Kerren A.User Modeling and User-Adapted Interaction
Messina P.,Dominguez V.,Parra D.,Trattner C.,Soto A.Briefings in Bioinformatics
Zhang P.,Wu J.,Zhai H.,Li S.IEEE Transactions on Knowledge and Data Engineering
Luo Y.,Qin X.,Chai C.,Tang N.,Li G.,Li W.Data Science and Engineering
Shen L.,Shen E.,Tai Z.,Xu Y.,Dong J.,Wang J.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 / 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 / 학사
학습시스템은 환경과의 상호작용을 통한 경험으로부터 지식을 습득하여 스스로 성능을 향상시키는 시스템이다. 기계학습은 학습시스템의 핵심인 경험으로부터 획득한 데이터로부터 모델을 자동으로 생성하고 이를 기반으로 미래 를 예측하는 계산구조와 알고리즘을 연구하는 컴퓨터공학의 한 분야이다. 기계학습은 인터넷 정보검색, 텍스트마이닝, 컴퓨터비젼, 로보틱스, 게임 뿐만 아니라 생명과학과 비즈니스 데이터마이닝 등에 성공적으로 활용되었다. 최근 들어 모바일폰, 스마트 TV등에서 사용자 모델링과 개인화 추천 서비스에 사용되고 있으며 컴퓨터구조, 컴파일러, 운영체제, 통신망 시스템의 모델링 및 성능 예측 등 컴퓨터공학의 다양한 분야에서 널리 활용되고 있다. 본 교과목은 감독학습, 무감독 학습, 강화학습 등 기계학습의 기본 개념과 원리, 여러가지 학습 방법에 대한 모델 구조와 학습 알고리즘 및 그 수학적인 기반를 제공하는 것을 목적으로 한다. 패턴분류, 확률관계모델링, 순차적 의사결정과정에 대한 구체적인 학습 구조와 알고리즘을 살펴보며 실제 응용문제 해결을 위한 미니 프로젝트를 통하여 그 활용 방법을 습득한다.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 교과목에서는 비선형시스템 식별에 관련된 각종 실용적 기법들을 소개한다. 또한, 비선형 목적함수의 최적문제의 해를 구하는 각종 비선형프로그래밍기법도 소개한다. 단, 비선형궤환제어와 컴퓨터 네트워크 등에 효과적으로 사용될 수 있는 기법들에 국한하여 심도 있게 공부하고 실제 응용 예를 통하여 그 가능성을 토의한다.전선 / 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.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
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
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 / 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
본 강의는 데이터와 모델을 사용하여 비즈니스 결정을 내리는 방법을 소개한다. 세부 주제로는 스프레드시트 모델링, 최적화, 데이터 분석, 의사결정 분석, 시뮬레이션 등을 다룰 예정이다. 본 강의를 성실히 수강한 학생들이 1) 비즈니스 결정의 핵심 요인을 파악하고, 2) 다양한 도구와 기법을 적용하여 근거에 기반한 비즈니스 결정을 내리고, 3) 그 결정을 다양한 청중과 이해관계자에게 효과적으로 설명하고 의사소통할 수 있게 되는 것을 목표로 한다.전선 / 대학원
데이터 시각화는 특히 최근 몇 년간 컴퓨팅 기술의 발전으로 인해 데이터의 크기와 복잡성이 크게 증가한 의료 분야에서 의사 결정을 지원하기 위해서 사용될 수 있는 유용한 기술이다. 본 수업에서는 기본적인 차트와 같은 시각화 기법에서부터 복잡한 인터랙티브 시각화에 이르기까지 다양한 데이터 시각화 기술에 대해서 포괄적으로 다룬다. 기술적으로는 파이썬과 자바스크립트를 핵심적인 프로그래밍 언어로 가르치고, MIMIC(Medical Information Mart for Intensive Care) 데이터를 활용하여 학생들이 실제 의료 데이터와 클라우드 컴퓨팅을 사용하여 데이터 시각화 시스템을 제작하는 경험을 할 수 있도록 가르친다. 본 수업에서는 강의와 그룹 프로젝트가 포함되어 있으며, 그룹 프로젝트에서는 의료 분야에 초점을 맞춘 인터랙티브 웹 기반 데이터 시각화 시스템을 개발해 보는 것을 목표로 한다. 이 과정에서 학생들은 데이터 시각화에 대한 이론적 지식을 의료 도메인의 도전적 과제들을 해결하는데 적용해 보는 기회를 가진다. 본 수업을 통해서 학생들은 의료 도메인의 데이터를 시각화하는 기술을 습득할 수 있다.전필 / 학사
본 과목에서는 정형 데이터와 비정형 데이터를 효과적으로 관리하고 분석하는 데에 필요한 제반 이론 및 기법을 배운다. 구체적으로, 본 과목의 전반부에서는 데이터베이스 (DB)를 기반으로 한 정보 시스템의 설계 및 구현, 그리고 DB 마이닝과 DB 기반 추천 시스템과 관련된 모형과 기법을 다루고, 후반부에서는 텍스트 데이터를 대상으로 정보 검색, 문서 분류 및 군집화를 위한 주요 이론과 방법론들을 소개한다. 아울러, 본 과목은 소개된 모형 및 기법들을 구현하여 다양한 형태의 데이터에 실적용해보는 프로젝트들을 포함하는 바, 이를 통해 실제 문제에 대한 해결 능력을 기르고, 관련된 기술적 이슈들을 경험해보는 것을 목표로 한다.전선 / 대학원
마케팅 활동의 효과를 높이는 방향의 하나로서 데이터에 기반한 과학적인 마케팅 실행에 대한 필요성이 지속적으로 높아지고 있는데, 데이터 사이언스 및 인공 지능 분야의 핵심 요소 중의 하나인 머신 러닝 기법들이 이러한 과학적이며 효과적인 마케팅 프로그램을 실행하는데 있어 매우 유용한 도구로서 활용될 수 있을 것이다. 본 과목에서는 마케팅 의사 결정의 품질을 높이기 위해 머신러닝의 다양한 분석 기법을 효과적으로 활용하는 방법에 대해 학습하는데, 마케팅 의사 결정의 종류가 다양하고 또한 이들 종류별로 필요한 데이터와 적절한 분석 기법이 상이하므로 마케팅 의사 결정 종류별로 어떠한 데이터를 어떠한 기법을 통하여 분석할 것인지에 대한 체계를 중심으로 학습한다.전선 / 학사
본 강의는 데이터와 모델을 사용하여 비즈니스 결정을 내리는 비즈니스 애널리틱스의 기초를 소개 한다. 묘사분석(descriptive analytics)와 예측분석(predictive analytics)에 중점을 두며, 세부 주제로는 데이터 관리, 데이터 시각화 및 요약, 가설검정, 선형회귀모형, 로지스틱 회귀모형, 의사결정나무, 데 이터 마이닝 등을 다룰 예정이다. 본 강의를 성실히 수강한 학생들이 1) 비즈니스 결정의 핵심 요인 을 파악하고, 2) 다양한 도구와 기법을 적용하여 근거에 기반한 비즈니스 결정을 내리고, 3) 그 결정 을 다양한 청중과 이해관계자에게 효과적으로 설명하고 의사소통할 수 있게 되는 것을 목표로 한다.전선 / 대학원
오늘날 데이터 중심의 비즈니스 환경에서 인공지능/머신러닝(AI/ML) 기술은 고객 및 시장 분석부터 전략적 의사결정에 이르기 까지 기업 경영 전반에 수많은 혁신을 일으키고 있다. 본 과정은 MBA 학생들에게 비즈니스 애플리케이션에 특화된 핵심 AI/ML 알고리즘들을 실습 중심으로 학습할 수 있는 기회를 제공한다. 고객 이탈 예측, 금융 사기 탐지, 고객 세분화, 수요 예측, 맞춤형 추천 시스템과 같은 실전 사례들을 통해 머신러닝의 실용적인 적용 방법을 익히게 되며, 대규모 언어 모델(LLM)을 활용하여 별도의 프로그래밍 경험 없이도 데이터 처리 및 AI/ML 알고리즘 적용을 위한 기초적인 코드 구현 기술을 습득하게 된다. 본 과정을 수료한 학생들은 머신러닝을 활용한 데이터 기반 의사결정을 효과적으로 수행할 수 있는 역량을 갖추게 될 것이다.교양 / 학사
본 과목은 데이터를 처음 접하는 학생들에게 데이터 문해력의 기초를 제공한다. 인문학, 사회과학, 예체능 등을 포함한 다양한 전공의 학생들이 데이터의 종류와 특성에 따라 적절한 요약 및 시각화 방법을 학습하고 이를 해석하는 능력을 키우도록 돕는다. 궁극적으로는 데이터를 기반으로 주제를 찾아내고 합리적인 의사결정을 내릴 수 있는 역량을 기르는 것을 목표로 한다. 본 과목을 이수한 학생들은 인공지능 시대에 필수적인 데이터 분석 역량을 갖출 수 있을 것으로 기대한다.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
본 강의에서는 지능시스템을 위한 컴퓨터비전 알고리즘들에 대해서 공부한다. 컴퓨터비전은 지능시스템을 구현하기 위한 필수적인 분야로 컴퓨터가 인간의 시각정보처리 기능을 모사할 수 있도록 하는 것을 최종 목표로 하는 학문 분야이다. 이를 위해 컴퓨터비전에서는 카메라 등으로부터 얻은 정지영상이나 동영상 정보를 분석하여 컴퓨터가 자동으로 영상을 이해할 수 있도록 하는 다양한 알고리즘들을 다룬다. 본 강의에서는 컴퓨터비전에서 대표적으로 사용되는 알고리즘들에 대해서 살펴보며 수강생들로 하여금 학기중 프로젝트를 통해서 컴퓨터비전 기술을 사용하는 지능형 시스템을 구현해 보도록 한다.전선 / 대학원
본 강의에서는 지능시스템을 위한 컴퓨터비전 알고리즘들에 대해서 공부한다. 컴퓨터비전은 지능시스템을 구현하기 위한 필수적인 분야로 컴퓨터가 인간의 시각정보처리 기능을 모사할 수 있도록 하는 것을 최종 목표로 하는 학문 분야이다. 이를 위해 컴퓨터비전에서는 카메라 등으로부터 얻은 정지영상이나 동영상 정보를 분석하여 컴퓨터가 자동으로 영상을 이해할 수 있도록 하는 다양한 알고리즘들을 다룬다. 본 강의에서는 컴퓨터비전에서 대표적으로 사용되는 알고리즘들에 대해서 살펴보며 수강생들로 하여금 학기중 프로젝트를 통해서 컴퓨터비전 기술을 사용하는 지능형 시스템을 구현해 보도록 한다.