최근 확인한 콘텐츠
loading...
본 연구는 딥 러닝 알고리즘(RNN, LSTM, GRU)을 활용하여 아파트 실거래가격지수, 금리 등 시계열 자료를 기반으로 주택가격 예측력을 비교 분석하였다. 분석 결과, 학습 데이터에서는 GRU 모형, 검증 데이터에서는 RNN 모형이 우수한 예측 성능을 보였으며, 정확도 측면에서도 RNN과 GRU 모형이 높은 성능을 나타냈다. 이는 정부가 주택시장 예측 및 진단을 위해 딥 러닝 기법을 활용한 시스템 구축을 고려해야 함을 시사한다.
데이터 분석을 위한 머신 러닝 입문 =
주택 가격지수 산정 : 서울 아파트 실거래가격을 이용한 실증연구
R과 만나는 금융공학 : 기본편
(1000만원으로 당장 시작하는) 부동산 소액 경매
(빅데이터로 예측하는) 대한민국 부동산의 미래
(공학박사 이창호의)부동산시장을 보는 눈
시계열 예측과 분석 : 통계적 모형·혼합형 모형·딥러닝 모형
AWS 기반 AI 애플리케이션 개발 : AI 유니콘 기업으로 도약하기
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
(파이썬을 활용한) 딥러닝 전이학습 : transfer learning으로 빠르고 손쉽게 구축하는 고급 딥러닝 모델
머신러닝을 위한 파이썬 한 조각 : 파이썬으로 이해하는 인공지능의 시작
AWS 머신러닝 마스터하기 : SageMaker, Apache Spark 및 TensorFlow를 사용한 Python의 고급 머신러닝
왜 트렌드의 절반은 빗나가는가 : 정확한 트렌드를 읽어내기 위해 알아야 할 모든 것
Deep learning for quantitative finance : a practical guide to neural networks, transformers, and alpha generation
데이터 마이닝 : 개념과 기법
In search of empirical evidence that links rent and user cost
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
부동산을 공부할 결심 : 마침내 찾아온 붕괴의 시간
(Do it!) 공공데이터로 배우는 R 데이터 분석 with 샤이니
(Do it!) 공공데이터로 배우는 R데이터 분석 with 샤이니
부동산연구
배성완, 유정석주거환경
전해정한국정보기술학회논문지
김규석; 김경민; 조재우정보처리학회논문지. 소프트웨어 및 데이터 공학
김학현, 유환규, 오하영Procedia Computer Science
Soegianto, Luke Mangala; Hinandra, Alvrian Timotius; Suri, Puti Andam; Fajar, Muhamad경관과 지리
김정희부동산경영
김선아, 전해정주택연구
배성완, 유정석Real Estate Management and Valuation
Lee, Changro; Park, Keith Key-HoIEEE Spectrum, Spectrum, IEEE, IEEE Spectr.
Schneider, DavidExpert Systems with Applications
Han E.J.,Chun S.H.Case Studies on Transport Policy
Afandizadeh, S.; Sedighi, F.; Kalantari, N.; Mirzahossein, H.Computational Economics
Wang D.,Hong D.,Wu Q.Annals of Data Science
Rimal, Ramchandra; Rimal, Binod; Bhandari, Hum Nath; Pokhrel, Nawa Raj; Dahal, Keshab R.주택연구
김승현, 김원혁, 이윤수상업교육연구
정현조; 김건우; 천세학주택연구
배성완, 유정석한국경제지리학회지
김진석; 김경민인터넷전자상거래연구
신은경, 김은미, 홍태호Geographical Analysis
Seya H.,Shiroi D.전선 / 대학원
스마트시티는 다양한 기관 및 시설로부터 수집된 데이터를 활용하여 실시간 변화를 예측하고 효율적으로 도시 서비스를 제공하는 미래형 도시모델이다. 또한 빅데이터 분석은 방대한 데이터 속에서 신속하게 패턴을 인식하고 새로운 가치를 찾아내는 과정으로써 스마트시티 계획 및 운영에 반드시 필요한 기술이다. 본 강의는 도시 빅데이터 분석에 필요한 지식 및 기술을 학습하는 입문과정이다. 스마트시티공학을 전공하는 학생들에게 빅데이터의 개념 및 구조를 이해하고 도시데이터 분석에 필요한 통계기법, 프로그램, 모델링 등을 학습할 수 있는 기회를 제공함으로써 미래도시 고도화 기반을 마련하고 지능형 도시에 최적화된 전문가를 육성하고자 한다.전선 / 학사
“공간정보분석1: 통계모형”의 심화과정으로 해석모형과 달리 예측모형에 초점을 둔다. 공간 패턴의 학습과 예측에 접목할 수 있는 머신러닝과 인공지능의 주요 이론과 알고리즘을 소개하며 R/Python 코딩과 사례연구를 통해 실천적 공간데이터 사이언스의 기초를 제공한다. 이 강의는 머신러닝의 학습이론, 감독학습, 무감독학습, 신경망, 앙상블 학습을 주 내용으로 하며 공간 헤도닉 모형, 공간 클러스터와 아웃라이어 패턴, 가우시언 프로세스와 공간 크리깅 내삽, 공간의사결정 등 지리학적 활용을 연습한다.전선 / 대학원
본 교과목은 응용 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. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 과목은 주택시장과 상업용 부동산 시장 분석에 필요한 이론과 실제에 대한 강의이다. 토지 지가 이론에 대한 강의를 시작으로 하여 주택시장 (Macro Housing Market, Housing Market and Structure, Separation of Housing Market etc)을 강의한다. 과목의 후반부는 상업용 부동산 (오피스 시장과 리테일 쇼핑몰 시장) 에 대한 분석을 강의하는데, 구체적으로는 기업의 입지선택과 교외화 현상, 상업용 시장 분석 (오피스 시장과 리테일 쇼핑몰), 부동산 사이클과 시계열 분석, 상업용 부동산 시장 예측 모형 등을 강의한다. 그 외에 REITs 시장 분석과 같은 부동산 금융에 대한 내용이 일부 첨가된다. 수강생들은 부동산 시장에 영향을 주는 대내외적인 요인들이 무엇이고, 이들이 부동산시장의 움직임에 어떤 영향을 주는지를 구체적인 자료를 바탕으로 이론적 측면에서 이해하게 될 것이다.전선 / 학사
4차 산업혁명의 핵심기술인 인공지능(딥러닝)의 배경지식과 활용방법을 습득하며, Convolutional Neural Networks 와 Recurrent Neural Networks 에 관한 지식과 활용법을 실습한다. 딥러닝 기본개념, Stochastic Gradient Descent, backpropagation 기법, 초기화기법, regularization 기법, 콘볼류션신경망(CNN), CNN 구조, 반복신경망(RNN), RNN의 응용, 강화학습을 다룬다. 이론은 기존 머신러닝과목에서 다루므로, 이론보다는 실용적 적용능력을 배양하기 이해 딥러닝 관련 소프트웨어 교육을 강조하며, Python에 관한 강의와 실습, Python 수학 라이브러리 numpy에 강의도 실시한다. 또한 Advanced deep learning library인 Tensorflow에 대한 강의와 실습도 병행한다.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
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의는 딥러닝의 중요 연구주제 중 비지도학습의 기본 방식으로 자리 잡은 self-supervised learning 및 contrastive learning을 중심으로 진행한다. 특히 information theoretic approach를 비롯한 metric 관점의 representation learning에 대해 고찰하고 domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하며 이를 통하여 표현학습에 대해 심화된 이해를 하는 것을 목표로 한다.교양 / 학사
본 강좌는 AI와 머신러닝의 기초 개념을 이해하고, 이를 실제 데이터에 적용하여 예측 및 분류 문제를 해결하는 능력을 배양하는 것을 목표로 한다. 기초적인 데이터 처리 방법부터 머신러닝과 딥러닝 모델에 이르기까지 다양한 주제를 다루며, Pandas, Scikit-learn, PyTorch 등의 라이브러리를 사용하여 데이터를 처리하고 모델을 구현한다. 또한, TV 광고 데이터를 활용한 매출 예측, 신용카드 연체 예측 등 실생활 문제를 다루어 AI 기술이 실질적으로 활용되는 사례를 제공하며, 학생들이 데이터를 통해 실제로 문제를 해결하는 과정에서 얻는 성취감을 높이고자 한다.전선 / 학사
딥 러닝의 핵심 개념, 모델 및 활용 사례를 강의한다. 강의 전반부에는 deep neural network의 정의, stochastic gradient descent, backpropagation, activation, optimization 등 딥 러닝의 핵심 개념을 강의하며, 후반부에는 convolutional neural network, recurrent neural network, generative adeversarial network, transformer 등 실제로 활용되는 딥 러닝 모델들의 특징과 활용 사례를 다룬다. 또한 각 모델들을 PyTorch를 통해 실제로 활용해볼 수 있도록 과제/프로젝트를 구성한다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.전선 / 대학원
인구 및 주택에 관한 이론에 대해서 분석한다. 주요 연구 내용으로는 인구성장의 구조와 이해, 인구성장의 구성요인, 인구추세, 주거이동과 인구이동, 주택의 배분과정과 지역주택시장, 주택공급과 배분 및 금융, 주택의 수요, 시장실패와 주택문제, 주택선호와 주택소비유형, 정부의 인구정책과 주택정책 등이 있다전선 / 대학원
개발경제학이나 도시경제학과 같은 응용미시경제학의 주요 이론들과 이들의 실증분석과정을 주로 논의한다. 본 과목은 또한 응용미시관련 주제 실증분석논문에 유용할 미시계량분석도구와 그 사용방법도 논의한다. 예를 들어 발전경제학의 주요 주제인 가구조사자료를 활용한 가격탄력성의 추정과 활용이라는 주제에 대해 실제 개발도상국 가구조사자료의 단위가격(unit value)자료와 적절한 미시계량도구를 활용해 가격탄력성을 추정하는 방법을 논의하고, 가격탄력성 추정치자료로 개발도상국의 최적 물품세구조등을 도출한다. 수강생은 실제 자료를 활용한 실증분석이 정기적인 숙제를 제출하며, 학기말에 본 과목에서 논의된 방법론에 기초한 간략한 연구계획서를 작성하여야 한다.전선 / 대학원
본 교과목은 막대한 시공간적 데이터를 바탕으로 예측기법을 발전시킬 수 있는 머신 러닝 기법을 중심으로, 이에 대한 이론적 기반과 사례 연구를 계량지리학적 관점에서 이해하는 것을 목표로 한다. 통계학적 머신 러닝, 최적화, 사회 및 정보 네트워크 분석, 베이지안 모델링 등 관련된 다양한 분야에 대한 지리학 분야의 방법론과 적용 방안에 대해서 학습한다.전선 / 대학원
이 수업은 인공지능(AI)과 도시계획 및 설계 과정 시리즈 중 두 번째 과정이다. 이 수업은 심화 AI 알고리즘, 알고리즘의 응용프로그램, AI 응용프로그램의 문제와 같은 3가지 주요 부분을 포함한다. 이 과정에서는 다목적 최적화, 딥러닝, 강화학습을 포함한 정교하고 강력한 AI 알고리즘을 소개한다. 이 알고리즘은 단순화된 계획 및 설계 사례에서 예시로 제시된다. 또한, 해석 가능성, 책임성, 투명성 및 공정성과 같은 계획 및 설계에서 AI 적용의 근본적인 문제를 논의하고 설명가능한 AI 및 해석가능한 머신러닝(ML)의 개념을 소개한다. 마지막으로 도메인 지식과 AI 기술의 통합 및 도시분야의 미래 방향에 대한 토론으로 마무리된다.전선 / 학사
이 강의에서는 인공지능과 딥러닝의 기본 개념을 이해하고, 이를 다양한 응용 분야에 적용하는 방법을 학습한다. 먼저, 윈도우 환경에서 파이썬을 활용하여 영상 및 비전 처리 기법을 익히고, 이를 AI 모델로 구현하는 과정을 다룬다. 이후, 실시간 추론을 위한 NPU(Neural Processing Unit)의 개념과 동작 원리를 이해하고, 리눅스 환경에서 NPU를 활용한 인공지능 추론 및 응용 개발 방법을 학습한다. 또한, CPU 및 NPU 보드를 실제 활용하여 다양한 실시간 고속 인공지능 응용 프로그램을 개발하고 실습하며, 하드웨어 가속을 통한 AI 연산 최적화 방법을 익힌다. 마지막으로, 최신 NPU 기반 AI 애플리케이션 개발 프로젝트를 수행하며, AI 기술을 실제 환경에 적용하는 방법을 배우고 팀 협업을 통한 문제 해결 역량을 강화한다.전선 / 학사
주택단지를 비롯한 다양한 목적의 단지개발을 위하여, 계획과 설계, 엔지니어링 차원에서 해야 할 일들을 두루 다루어 본다. 특히, 단지계획의 이론과 실행되어지고 있는 지침 및 기준에 대해서 탐구하고, 실제 단지를 대상으로 직접 가상적 계획을 해 봄으로써 계획 및 설계 능력을 향상시킨다.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.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 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
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.