If the collection is public, the memo for this book will also be public.
Your Browsing History
There is no data.
There is no data.
loading...
This study aimed to explore the most suitable machine learning model algorithm for Shanghanlun diagnostic system classification using natural language processing. Ridge regression and naive Bayes classifier showed an accuracy of 0.843, and are considered suitable NLP machine learning models for the Shanghanlun diagnostic system classification.
Artificial Intelligence Applications and Innovations : 17th IFIP WG 12.5 International Conference, AIAI 2021, Hersonissos, Crete, Greece, June 25–27, 2021, Proceedings
자연어 처리와 컴퓨터 언어학 : 파이썬으로 개발하는 자연어 처리 서비스
Pattern recognition in speech and language processing
Guiding language learning
(누구나 쉽고 재미있게 만드는) 예측모형 : 쉽게 따라하는 예측·진단모형 만들기
Machine learning : ECML-98 : 10th European Conference on Machine Learning, Chemnitz, Germany, April 1998 : proceedings
Bayesian regression modeling with INLA
Automated Taxonomy Discovery and Exploration
Intelligent Computing Methodologies : 15th International Conference, ICIC 2019, Nanchang, China, August 3–6, 2019, Proceedings, Part III
R을 이용한 머신러닝과 텍스트마이닝 =
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
Advanced topics in artificial intelligence : 12th Australian Joint Conference on Artificial Intelligence, AI'99, Sydney, Australia, December 6-10, 1999 : proceedings
Fundamentals of pattern recognition and machine learning
Foundations of intelligent systems : 11th International Symposium, ISMIS'99, Warsaw, Poland, June 1999 : proceedings
Kernel-based data fusion for machine learning : methods and applications in bioinformatics and text mining
Artificial intelligence in economics and management : an edited proceedings on the Fourth International Workshop : AIEM4, Tel-Aviv, Israel, January 8-10, 1996
Machine learning in healthcare informatics
AWS 머신러닝 마스터하기 : SageMaker, Apache Spark 및 TensorFlow를 사용한 Python의 고급 머신러닝
Machine learning : a Bayesian and optimization perspective
Information theoretic learning : Renyi's entropy and kernel perspectives
Shi, Yulin; Guo, Dandan; Chun, Yi; Liu, Jiayi; Liu, Lingshuang; Tu, Liping; Xu, Jiatuo · 2023
FRONTIERS IN PHYSIOLOGY
Madushani J.P.S.S.,Sandamal R.M.K.,Meddage D.P.P.,Pasindu H.R.,Gomes P.I.A. · 2023
Transportation Engineering
Güneş O.M.,Kasap P.,Çorba Zorlu B.S. · 2023
Concurrency and Computation: Practice and Experience
Shahinfar S.,Khansefid M.,Haile-Mariam M.,Pryce J.E. · 2021
Animal
Pei X.,Deng Q.,Liu Z.,Yan X.,Sun W. · 2021
Annals of Nutrition and Metabolism
Jin, H.; Kim, S.; Kim, J. · 2014
International Journal of Bio-Science and Bio-Technology
Wang D.,Ma Y.,Li S.,Yu D.,Wang C. · 2023
Journal of Voice
Khan, N.H.; Adnan, A.; Basar, S. · 2017
Cluster Computing
손세림, 안형진 · 2022
보건정보통계학회지
Chen H.,Zhou X.,Shi D. · 2022
International Journal of Computational Intelligence Systems
Abbad Ur Rehman H.,Lin C.Y.,Mushtaq Z.,Su S.F. · 2021
Arabian Journal for Science and Engineering
Buchlak, Q.D.; Esmaili, N.; Bennett, C.; Piccardi, M.; Leveque, J.-C.; Farrokhi, F. · 2021
Journal of Clinical Neuroscience
Weiliang Jiang; Zijing Li · 2024
Ophthalmic Research
Ahmed N.,Ahammed R.,Islam M.M.,Uddin M.A.,Akhter A.,Talukder M.A.A.,Paul B.K. · 2021
International Journal of Cognitive Computing in Engineering
Chen H; He Y · 2022
The American journal of Chinese medicine
Mukherjee P.,Leroy G.,Kauchak D. · 2019
IEEE Journal of Biomedical and Health Informatics
Huang Q; Yang Y; Yuan C; Zhang W; Zong X; Wu F · 2025
Supportive care in cancer : official journal of the Multinational Association of Supportive Care in Cancer
Fu S.,Leung L.Y.,Wang Y.,Raulli A.O.,Kallmes D.F.,Kinsman K.A.,Nelson K.B.,Clark M.S.,Luetmer P.H.,Kingsbury P.R.,Kent D.M.,Liu H. · 2019
JMIR Medical Informatics
Ibba, Pietro; Tronstad, Christian; Moscetti, Roberto; Mimmo, Tanja; Cantarella, Giuseppe; Petti, Luisa; Martinsen, Orjan G.; Cesco, Stefano; Lugli, Paolo · 2021
SCIENTIFIC REPORTS
Shweta S. Aladakatti; S. Senthil Kumar · 2023
International Journal of Cooperative Information Systems
전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.전선 / 대학원
계산이론은 컴퓨터공학의 기초학문이며, 중요한 문제에 대한 효율적인 알고리즘들을 소개하고, 그런 알고리즘의 복잡도 분석을 다룬다. 이 교과목에서는 먼저 알고리즘의 성능을 분석하는 기법, 특히 amortized analysis에 대해 배운다. 그리고, 계산이론 분야에서 중요한 알고리즘과 그 응용에 대해 배운다. 구체적으로, (스트링 매칭, 2차원 패턴 매칭, 근사 매칭, suffix trees, 데이터 압축 문제에 대한) 스트링 알고리즘과 bioinformatics에의 응용, (선택 문제, 다항식 확인 문제에 대한) randomized 알고리즘과 그 영향, (페이지 교체 문제, k 서버 문제에 대한) online 알고리즘과 금융문제(일방향 거래와 portfolio 선택 문제)에의 응용을 배운다.전선 / 학사
본 과목은 자연어 이해를 위한 확률 및 딥러닝 학습 방법론을 다룬다. 자연어 이해는 인공 지능에서 크게 주목받고 있는 영역으로 활용 범위가 웹 검색, 번역, 대화 모델 등으로 다양하다. 자연어 이해에서 성공적인 모델은 확률기반, 딥러닝 기반, 대형 언어모델 기반 모델 등이 있다. 본 과목에서는 이러한 다양한 모델을 이해하고, 디자인하고 구현하고 평가하는데 요구되는 최신 기술들을 다룬다. 1. 과목소개 2. Bag-of-word 언어모델 3. N-gram 언어모델 4. Bayesian 모델 5. Logistic 회귀 6. 임베딩 7. CNN 8. RNN 9. Transformer 10. 문맥적 임베딩 11. 지식 구축 및 활요 12. 언어에서의 AI 편향성전선 / 대학원
정보과학분야의 첨단 기법인 데이터마이닝과 머신러닝에 대한 이론을 학습하고 상업용패키지를 이용하여 농업분야응용에 대해 실습하며, 농업분야의 필요한 알고리즘을 개발하는 학습기회를 제공한다. Decision Tree, Probabilistic Machine Learning, Baysian Classifier, Neural Nets, Support Vector Machine, K--NN, Boosting, K--Means and Hierarchical Clustering, Reenforcement Learning 등에 대한 이론적 연구와 농업분야의 응용을 상업적 패키지를 이용하여 학습하고, 농업분야를 위한 알고리즘의 개발에 대해 실습한다.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
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
최근 기계 학습 방법론은 보건학에서 큰 인기를 얻고 있다. 본 과목은 보건학 데이터를 분석하기 위한 기계 학습 방법론의 다양한 측면에 대해 실질적인 지식과 이해를 제공하는 것을 목적으로 한다. 이 과목은 보건학 분야에서의 학생 및 연구자를 돕기 위해 기계 학습 방법론의 개념과 기법에 대해 다룬다. 군집, 차원축소, 분류, 의사결정나무, 신경망 모형 등을 보건학의 문맥에서 다루게 된다.전선 / 학사
통상적으로 교통운영은 교통류에 대한 충분한 이해를 바탕으로 적절한 운영 방안을 도입하여 도로교통시설의 효율을 높이는 것을 의미한다. 이를 위해 교통류에 대한 미시적‧거시적 관점, 교통량‧속도‧밀도 등 교통류 특성 간의 관계, 교통정체의 발생 및 해소 과정 등을 이해하는 것이 중요하다. 한편, 교통수단의 다변화로 인해 기존 교통운영의 대상이었던 도로교통이 교통시스템의 한 요소로써의 역할을 맡게 되었으며, 자연스럽게 교통운영의 범위도 확대되었다. 또한, 정보통신기술의 발달이 수집 가능한 정보의 질적‧양적 성장을 촉진하였지만, 불완전한 정보가 수집되거나 교통시스템 내‧외적 요인으로 인해 불확실한 예측이 이뤄지는 경우도 발생하였다. 최근 들어 이를 해결하기 위해 인공지능(Artificial Intelligence, AI)을 활용한 사례들이 등장하고 있다. 따라서 이 과목에서는 교통류분석, 교통신호제어 등의 배경이 되는 교통 관련 이론에 대해 학습함과 더불어 교통운영 분야 내 다양한 AI 적용 사례들을 소개하면서 기계학습(Machine Learning), 딥러닝(Deep Learning), 생성형 AI(Generative AI) 등 연관된 AI 기법을 살펴본다. 아울러 자율주행차량 제어, 대중교통 및 모빌리티 시스템 운영 등 교통운영의 확대된 범주 내에 포함되는 교통시스템에 대해서도 다룸으로써 폭넓은 지적 기반을 제공할 수 있을 것으로 기대된다.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 / 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
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.전필 / 대학원
오늘날 정보기술(IT)은 조직의 전략과 운영 상 목표를 달성하는 핵심 요소가 되었다. 이러하여 대부분의 조직에서는 구성원들이 IT에 대해 최소한의 기본적인 지식을 갖추고 있기를 기대한다. 이 강좌는 정보시스템에 대한 기본적인 개념과 원리 전달을 목표로 구성된 종합 입문 과정이다. 입문 과정으로서 이 강좌는 특정한 내용을 깊게 다루는 것보다 다양한 주제를 폭넓게 다루는 데에 중점을 둘 것이다. 수업 중 다루게 될 주제에는 정보시스템의 기본 개념, IT의 전략적 역할, IT와 관련된 조직상의 변화 관리, 지식 경영, 기업 시스템, 인터넷 응용 기술, 시스템 개발 방법론, 신기술 등이 있다. 이와 더불어 경영 사례 연구 및 토론은 IT 환경에서 당면하게 될 구체적인 관리 문제를 다루는 데에 많은 도움을 줄 수 있을 것이다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 첫번째 강좌이다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template과 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 또, (3) Pytorch, TensorFLow 등 널리 사용되는 딥러닝 플랫폼을 학습하고, 동일 학기 수강이 권장되는 머신러닝 및 딥러닝 1(ABC 과정 중 A 분야 첫번째 강좌)에서 배운 딥러닝의 기본 원리들을 직접 구현하고, 이에 더하여 상기 플랫폼을 통해 구현 할 수 있도록 한다.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
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.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
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 강좌에서는 신호처리 분야의 최신 이슈와 연구물에 대해 다루고 있다. 각 강좌마다 다른 문제를 다루고 있다.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.