최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 일반고 및 특성화고 학생들의 학교소속감을 예측하는 중요한 변수를 기계학습 기법인 glmmLasso를 활용하여 탐색하였다. 부산교육종단연구 데이터를 분석한 결과, 일반고와 특성화고에서 각각 20개와 21개의 학생, 교사, 학교 관련 변수가 학교소속감 예측에 중요한 것으로 나타났다. 연구 결과는 고등학생의 학교소속감 향상을 위한 정책적 제언에 활용될 수 있다.
Data analysis using hierarchical generalized linear models with R
고등학생의 진로·학업 설계 역량 신장을 위한 교수·학습 지원 방안 탐색 : 진로집중학기를 중심으로
Applied multivariate analysis : using Bayesian and frequentist methods of inference
특성화고 보통교과 및 직업기초능력 제고 프로그램 운영 현황 및 개선 방안
Modern multivariate statistical techniques : regression, classification, and manifold learning
(사회과학을 위한) 통계학 =
Statistical literacy at school : growth and goals
Latent variable modeling using R : a step by step guide
(공학과정을 위한) 미적분학 1.7
Statistical applications for environmental analysis and risk assessment
Using technology wisely : the keys to success in schools
An introduction to multilevel modeling techniques : MLM and SEM approaches using Mplus
세계 문화와 학교교육의 미래 : 교육의 유사성과 차이에 대한 제도주의 관점과 해석
Regression analysis and linear models : concepts, applications, and implementation
Generalized linear models for categorical and continuous limited dependent variables
Regression analysis and linear models: concepts, applications, and implementation
교육과정 및 교수방법 =
The program evaluation prism : using statistical methods to discover patterns
Statistical thinking from scratch : a primer for scientists
An introduction to generalized linear models
구미령, 유진은 · 2021
아시아교육연구
한정아 · 2024
열린교육연구
이미란; 이민욱 · 2023
직업교육연구
김나영, 황혜영 · 2020
교육문화연구
유진은, 노민정 · 2018
The SNU Journal of Education Research
신윤범; 원효헌 · 2024
교육평가연구
오석영 · 2012
직업교육연구
김민정, 유진은 · 2022
아시아교육연구
조규형; 정철영 · 2014
농업교육과 인적자원개발
이휘인, 김현철 · 2015
교육문화연구
정혜원, 박소영 · 2021
교육평가연구
장현진, 이지혜 · 2012
직업능력개발연구
전선 / 대학원
통계적 기계학습 방법은 데이터과학 및 인공지능 분야에서 핵심 방법론으로 사용되고 있다. 본 강의에서는 통계적 기계학습 방법론을 소개하고 기본 이론을 배운다. 주로 지도학습방법론을 위주로 다루며, 의사결정론, 고차원 선형모형, 비모수 함수추정, 의사결정나무와 앙상블, Support vector machine 그리고 딥러닝에 대한 이론 및 알고리즘을 가르친다. 그리고 지도학습 알고리즘을 관통하는 통계학적 원리인 M-추정량에 대해서 논의한다.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.공통 / 대학원
기계 학습은 새로운 통계방법론 및 알고리즘 개발의 기반역할을 하고 있다. 이 과목에서는 고급기계학습을 위한 방법론을 이론적 기초와 함께 강의할 예정이다. 또한 방법론의 실용적 측면과 직관을 통하여 이론적 내용을 제공하여 학생들이 상황에 맞는 적절한 분석방법과 각자의 연구주제에 적합한 분석 툴에 개발하는데 도움을 주고자 한다. 구체적으로 머신러닝 연구에 중요한 비모수추론, 집중 부등식, 최적화 및 변분 방법등과 같은 주제를 다를 예정이다전필 / 학사
본 강의는 데이터과학의 방법을 사회 자료 통계 분석에 이용하는 능력을 갖출 수 있도록 한다. 기술 및 추론 통계의 기본 방법론을 사회학 연구 설계와 경험 분석의 관점에서 다루고, 프로그래밍 언어 습득을 통해 자료 시각화와 통계 분석을 수행할 수 있는 능력을 함양시킨다.전선 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.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
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
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 학사
이 교과목은 다양한 학습 데이터를 분석하여 학습자의 흥미와 필요를 고려한 맞춤형 학습을 설계하는 방법을 소개한다. 인공지능을 활용하여 학습활동을 자동으로 분석하고 학습결과를 예측하며, 그 결과를 바탕으로 교수자와 인공지능이 적응적으로 학습을 지원하는 방안을 탐색한다. 학습 상황과 학습자의 특성에 따라 최적의 학습경험을 어떻게 설계하고 지원할 수 있는지 논의한다. 그리고 디지털 테크놀로지를 활용하여 공교육에서 학습 데이터를 수집, 분석, 활용하는 과정에서 발생하는 사회적 문제를 비판적으로 검토하고 창의적인 해결방안을 모색한다.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 교과목에서는 기계학습을 활용하여 생체신호 데이터를 분석하고 이를 질병의 진단과 예측에 적용하는 것을 학습 목표로 삼는다. ECG(electrocardiography), EEG(electroencephalography) 등의 전기 생체신호 뿐만 아니라 심폐음, 호흡음, 음성 등의 음향학적 신호 등 사람의 몸에서 획득할 수 있는 다양한 생체신호 데이터를 이해하고, 기계학습 알고리즘을 활용하여 이를 분석하고 나아가 질병을 진단/예측할 수 있는 모델을 구축하는 것을 구체적인 학습 목표로 한다.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
이 강좌는 석·박사 학위 논문 작성 등 교육연구에 필요한 통계적 분석에 대한 개념과 이론에 대한 폭넓은 이해를 돕고, 실제 교육연구에서 통계적 기법들을 적절히 활용할 수 있도록 하기 위한 것이다. 이를 위해 교육관련 각종 연구 자료의 특성(예: 다층 자료, 유목 자료, 연속 자료 등)에 적절한 통계적 기법들에 대한 소개와 함께 관련 컴퓨터 프로그램을 활용하여 실제로 분석할 수 있도록 하기 위한 것이다. 아울러 수강생들은 관심 있는 교육관련 자료를 분석하고 그 결과를 수업시간에 보고하는 기회를 가지게 될 것이다.전선 / 학사
본 교과목은 통계학습, 기계학습의 기초 이론과 주요 방법론을 소개하고, 컴퓨터 실습을 통해 건설환경공학의 다양한 분야에 이를 실제로 적용하는 능력을 갖추는 것을 목표로 한다. 주요 내용으로는 선형/비선형 회귀분석, 선형/비선형 분류법, 교차검증, 비지도학습, 강화학습, 선형/비선형 필터 등이 있다. '전선 / 대학원
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.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
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.전선 / 학사
본 강좌는 딥러닝 등 기계학습 기반 인공지능 및 관련 분야에 관심있는 수강생을 대상으로 하는 학부 교과목으로 인공지능 분야의 핵심이 되는 기계학습의 개념 및 응용을 소개하고, 주요 기계학습 알고리즘 및 모델들에 대해 학습한다. 과제 및 프로젝트를 통해 최신 기계학습 기법의 심층적 이해와 실제 구현 기회를 부여한다. 주요 내용으로는 학습이론, 선형모델 (선형회귀, 선형분류, Logistic 회귀), Support Vector Machine, 인공신경망, 순차모델, 기초 딥러닝 모델 (MLP, CNN, RNN), 앙상블 학습 등을 포함한다. 선수과목: 데이터구조 혹은 알고리즘, 선형대수, 확률변수, 프로그래밍 방법론전선 / 대학원
본 과목은 산업공학과 및 공과대학 대학원생을 대상으로 최신 고등 통계학습 이론과 기법 (확률 그래프모델, 커널방법, 다양체학습 등)을 소개하고 이를 중심으로 다양한 응용분야의 최신 연구주제에 적용하고 그 결과를 해석할 수 있는 능력을 배양하는 것을 목표로 한다.