최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Park, Young-Jun; Cho, Seung-Je; Han, Jeong-Woo; Shim, Sung-Bo
2017 / International Journal of Precision Engineering and Manufacturing
이효섭, 조대연, 정홍인
2018 / Andragogy Today: Interdisciplinary Journal of Adult & Continuing Education (IJACE)
데이터가 존재하지 않습니다.
loading...
본 연구는 공간데이터 예측을 위해 딥러닝과 전통적인 공간통계학적 방법(크리깅)을 비교 분석했습니다. 시뮬레이션을 통해 두 방법의 예측력을 RMSE를 기준으로 평가한 결과, 딥러닝과 크리깅은 유사한 예측 성능을 보였습니다. 따라서 공간예측의 단점을 보완하기 위해 딥러닝을 활용한 공간예측 분석을 제안합니다.
Interpolation of spatial data : some theory for kriging
프레디쿠스 : 인공지능을 이해하기 위한 최소한의 이야기
R을 이용한 공간정보 분석 : 공간정보의 이해와 오픈소스 소프트웨어 이용 실습
(시대의 새로운 지평을 향한) ArcGIS Pro 기초와 공간분석 실무 =
Spatial analysis with R : statistics, visualization, and computational methods
R을 이용한 공간정보 분석 공간정보의 이해와 오픈소스 소프트웨어 이용 실습
Geocomputation and urban planning
Statistical methods for spatial data analysis
Spatial mathematics : theory and practice through mapping
Geospatial analysis and modelling of urban structure and dynamics
Spatial analysis : statistics, visualization, and computational methods
사물인터넷을 위한 인공지능 : 더 스마트한 IoT 시스템을 개발하기 위한 고급 머신러닝딥러닝 기법
Geographical data science & spatial data analysis : an introduction in R
Spatial data mining : theory and application
Spatial tessellations : concepts and applications of Voronoi diagrams
어반 컴퓨팅 : 빅데이터로 변화하는 도시의 현재와 미래
Geostatistical functional data analysis
AI가 내려온다 : 인공 지능 시대의 고전 문학 연구
Spatial econometrics using microdata
Visual and spatial analysis : advances in data mining reasoning, and problem solving
Spatial Information Research
Iyer, Radhakrishnan Thanu; Krishnan, Manojkumar ThananthuScandinavian Journal of Statistics
Katarzyna KopczewskaJournal of Multivariate Analysis
Lim, Chae Young; Wu, Wei-YingComputational Statistics
A. Tavassoli; Y. Waghei; A. NazemiJournal of The Korean Data Analysis Society
고혜지; 박만식Mathematical Geosciences
Rakotonirina, Herbert; Guridi, Ignacio; Honeine, Paul; Atteia, Olivier; Van Exem, AntoninGeosciences Journal
Christian T. Omuto, Ronald R. VargasGeosciences Journal
Christian T. Omuto; Ronald R. VargasTechnometrics
Nag, P.; Sun, Y.; Reich, B.J.지역연구
김의준, 김아영, 김슬기Mathematical Geosciences
Kirkwood C.,Economou T.,Pugeault N.,Odbert H.한국정보기술학회논문지
오병우Proceedings of the VLDB Endowment
Sabek, Ibrahim; Mokbel, Mohamed F.Earth Science Informatics
Soltani-Mohammadi, SaeedAtmospheric Measurement Techniques
Souri A.H.,Chance K.,Sun K.,Liu X.,Johnson M.S.ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION
Nikparvar, Behnam; Thill, Jean-ClaudeJournal of Petroleum Science and Engineering
Zeng L.,Ren W.,Shan L.,Huo F.,Meng F.한국지능시스템학회 논문지
김승환, 전성해Japanese Journal of Statistics and Data Science
Toshihiro HiranoTechnometrics
Guhaniyogi, Rajarshi; Banerjee, Sudipto전선 / 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 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
한정된 자료들 사이의 공간적 상호관계를 분석하고 이를 바탕으로 임의의 위치에서 원하는 자료값을 예측하는 여러 크리깅 기법을 공부한다. 주어진 값과 그 분포를 항상 보전하는 조건부 시뮬레이션과 불확실성을 줄이기 위해 이용가능한 자료를 통합하여 사용하는 최적화 기법을 공부한다.전선 / 학사
공간적으로 분포하는 자료들의 특징을 분석하고 이용하여 원하는 정보를 예측하는 기법을 학습한다. 구체적으로 확률과 통계의 기본적인 내용을 전반기에 공부한다. 후반기에는 공간정보의 상호관계를 나타내는 베리오그램과 그 모델링 기법을 공부한다. 미지의 값을 예측하기 위한 단순크리깅, 정규크리깅, 공동크리깅 같은 다양한 크리깅 기법과 다각형법 같은 비크리깅 기법을 공부한다.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.전선 / 학사
이 교과목은 다양한 공간분석 기법과 그러한 분석 기법을 지리적 문제 해결에 어떻게 적용할 것인지를 다룬다. 공간분석 기법은 크게 일반 통계 기법과 공간데이터분석 기법으로 나뉘어 교수된다. 주요 내용에 기술 통계학, 추론 통계학, 공간적 분포 패턴 분석, 공간적 자기상관 분석 등이 포함된다. 통계 패키지와 실제 자료를 통한 실습이 시행된다.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
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 / 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
이 과목은 공간데이터의 분석에 활용되는 전통적 통계기법의 이해를 그 목적으로 한다. 공간데이터의 수집과 샘플링, 공간 센트로그라피와 커널밀도분석과 같은 기술 통계와 함꼐 공간 자기상관, 공간회귀모형에 이르는 추론통계를 주요 내용으로 한다. 또한 공간 점 패턴 분석과 크리깅 내삽모형, 공간 클러스터 패턴 탐지 등을 비중있게 다룬다. 통계 패키지 R을 통한 코딩과 공간자료의 모델링, 시각화를 연습한다.전선 / 대학원
본 교과목은 공간통계학 분야의 여러 통계적 방법들에 대해 중점을 둔다. 교육목표는 공간 및 시공간 자료를 분석하는데 사용되는 공간통계학의 여러 통계적 방법과 그 이론에 대해서 공부하고 적용해 보는 것이다. 다루는 내용은 다음과 같다. 자료의 공간 종속성 테스트, 공간 종속성 모형 및 추정, 공간회귀분석, 크리깅, 지역자료 분석, 질병 예측모형, 공간 점과정 모형 등이다.전선 / 대학원
이 과목은 공간계획 및 사회과학 분야에서 필요한 계량분석 기법을 소개하며, 특히 도시 및 지역에서 나타나는 각종 문제들을 이해하는데 필요한 통계기법들을 주로 다루게 된다. 이 과목에서는 연구문제의 명시, 가설 검정, 통계분석 결과의 해석에 이르는 일련의 과정을 통해 다양한 통계기법을 활용할 수 있는 능력을 배양시키려는데 목적을 두고 있다. 이 과목은 강의와 실습으로 이루어지며, 강의에서는 통계의 활용목적과 통계이론 및 다양한 통계분석방법의 원리를 소개하고, SPSS, STATA, HLM 및 기타 통계 프로그램을 이용한 실습을 통해 학생들이 통계분석 방법을 직접 실행하고 이를 풀이할 수 있는 능력을 구비하도록 한다.전선 / 대학원
농림기상 분야의 정보에 공간정보의 비중이 크다. 디지털화된 공간정보는 기초 지형정보, 인문사회적정보, 원격탐사 등과 관계형 데이터베이스로 연결할 수 있으며, 정보의 조합과 분석을 통해 농림기상 분야의 관리에 필요한 정보를 생성할 수 있다. 이 강의에서는 프로그래밍을 기반으로 농림기상분야의 공간분석 능력을 기르고, 대량 생산되고 있는 모바일과 원격탐사 데이터 등의 적용 가능성과 방향을 고찰한다.전선 / 대학원
본 과목은 도시환경 공간분석과 시각화를 위한 디지털 미디어 활용기법들을 다룬다. 다양한 소프트웨어 플랫폼을 습득하고, 이들 플랫폼들을 사용하여 정량적, 시각적, 분석적 데이터를 연동시키고 변환시키는 과정과 이를 설계와 프레젠테이션에 활용하는 시각화 방법들을 연구한다. ArcGIS, 오픈소스 지오데이타 에플리케이션들, ACAD, Adobe Illustrator, Rhino와 같은 2D 벡터, 3D 모델링 프로그램, 그리고 Rhino 플러그인인 Grasshopper 등을 통해 공간분석 기법에 대한 연구를 진행할 것이며, 작업들은 기본적인 에니메이션과 3D 프린팅을 통해 가시화될 것이다.전선 / 대학원
본 과목은 도시환경 공간분석과 시각화를 위한 디지털 미디어 활용기법들을 다룬다. 다양한 소프트웨어 플랫폼을 습득하고, 이들 플랫폼들을 사용하여 정량적, 시각적, 분석적 데이터를 연동시키고 변환시키는 과정과 이를 설계와 프레젠테이션에 활용하는 시각화 방법들을 연구한다. ArcGIS, 오픈소스 지오데이타 에플리케이션들, ACAD, Adobe Illustrator, Rhino와 같은 2D 벡터, 3D 모델링 프로그램, 그리고 Rhino 플러그인인 Grasshopper 등을 통해 공간분석 기법에 대한 연구를 진행할 것이며, 작업들은 기본적인 에니메이션과 3D 프린팅을 통해 가시화될 것이다.전선 / 학사
이 과목은 시공간 좌표체계에서 측정된 사회와 자연현상의 데이터 사이언스 분석기법을 다룬다. 지리학의 제 분야에서 다루는 정보를 정량적 분석이라는 맥락에서 “공간정보분석 1, 2”의 선행과목을 이수한 학생을 대상으로 한다. 시공간 자료구조, 시계열 모형, 공간모형의 이론을 고찰하고 머신러닝 알고리즘과 지리정보시스템을 플랫폼으로 실제 사례분석을 연습한다.전선 / 학사
실습과 병행하여 기초적인 오차조정법, 네트워크 분석, 삼각 및 삼변측량, 트래버스 측량 등의 내용을 강의하고, 전자파거리측정기, 인공위성위치결정 시스템 등을 소개하며, 첨단연구분야인 지리정보시스템(GIS), 위성원격탐사, 디지털 매핑 등의 현황을 설명한다. 또한, 측량 장비 실습과 더불어 QGIS를 이용한 공간정보 자료 분석 실습을 병행한다.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 / 대학원
한 지역에 대한 체계적이고 종합적인 이해는 본래 지리학이 추구해 온 목표였다. 이러한 목표를 이루기 위한 방법은 시대별, 지역별로 다소 상이한 형태를 띠며 발전해 왔다. 본 과목에서는 지역연구의 방법론이 전체 지리학의 발전과정 속에서 어떻게 변모해 왔는가를 고찰하고 각각의 방법론들이 지니는 장단점들을 파악해 봄으로써 지역연구의 새로운 방법론을 모색해 보는 데 주안점을 둔다.전선 / 학사
지표 및 지하공간을 다루는 지형 및 지질의 공간정보를 에너지 GIS를 통해 분석하는 방법과 관련 프로그래밍 기법을 다룬다. 상용 소프트웨어를 이용한 실습이 포함된다.