자율학습
|
|
|
- 홍정 범
- 6 years ago
- Views:
Transcription
1 자율학습 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 자율학습 1 / 31
2 학습내용 주성분분석 (principal component analysis) 군집분석 (clustering) K-평균군집 (K-means clustering) 계층적군집 (hierarchical clustering) 박창이 ( 서울시립대학교통계학과 ) 자율학습 2 / 31
3 개요 I 자율학습에서는 변수 X1,..., Xp 의 n개의 관측치에서 흥미로운 사실을 발견하는 것을 목표로 함 특히 데이터 시각화나 데이터 전처리에 사용되는 주성분분석과 데이터에서 미지의 부분그룹을 찾고자 하는 군집분석에 대하여 학습 지도학습은 여러 가지 분석법이 잘 구축되어 있고 결과의 평가도 명확한 반면, 자율학습은 흔히 탐색적자료분석의 한 단계로 사용되며 결과의 명확한 평가 기준이 없어 객관적인 평가가 어려움 박창이 (서울시립대학교 통계학과) 자율학습 3 / 31
4 개요 II 예 100명의유방암환자들의유전자측정값에서환자들의혹은유전자들의부분그룹을찾음온라인쇼핑몰에서유사한구매기록을갖는고객의그룹또는각그룹내의고객이관심있을만한품목을찾음검색엔진에서유사한검색패턴을갖는다른사람들의클릭기록에기반하여특정개인에게보여줄검색결과를선택 박창이 ( 서울시립대학교통계학과 ) 자율학습 4 / 31
5 주성분분석 I p 가크면 X 1,..., X p 에대하여 ( p 2) 개의산점도를통해변수들의관계를파악하기는어려움. 주성분분석에서는가능한대부분의 정보를포착하는데이터의저차원표현을찾아주어시각화할수있음 주성분을구하는과정 제 1 주성분 : p j=1 φ2 j1 = 1 의조건하에서 Z 1 = φ 11 X φ p1 X p 의분산이최대가되는정규화된 (normalized) 계수 (loading) φ 11,..., φ p1 을 찾음 제 j 주성분 : Z 1,..., Z j 1 과상관관계가 0 인 X 1,..., X p 의선형결합들중 가장분산이큰것, j = 2,..., p 박창이 ( 서울시립대학교통계학과 ) 자율학습 5 / 31
6 주성분분석 II 알고리즘 각변수는평균 0 이라고할때 1 arg max φ 11,...,φ p1 n k = 2,..., p에대하여 n p ( φ j1 x ij ) 2 subject to i=1 j=1 p φ 2 j1 = 1 j=1 1 arg max φ 1k,...,φ pk n n p ( φ jk x ij ) 2 i=1 j=1 p subject to φ 2 jk = 1, j=1 j=1 p φ jl φ jk = 0, l < k 박창이 ( 서울시립대학교통계학과 ) 자율학습 6 / 31
7 주성분분석 III USArrests 데이터 PC1 PC2 Murder Assault UrbanPop Rape PC1 은전반적인범죄율을나타냄 PC2 는도시화정도를나타냄 박창이 ( 서울시립대학교통계학과 ) 자율학습 7 / 31
8 주성분분석 IV biplot Second Principal Component UrbanPop Hawaii Rhode Massachusetts Island Utah California New Jersey Connecticut Washington Colorado New York Ohio Illinois Arizona Nevada Wisconsin Minnesota Pennsylvania Oregon Rape Texas Kansas Oklahoma Delaware Nebraska Missouri Iowa Indiana Michigan New Hampshire Florida Idaho Virginia New Mexico Maine Wyoming Maryland rth Dakota Montana Assault South Dakota Tennessee Kentucky Louisiana Arkansas Alabama Alaska Georgia VermontWest Virginia Murder South Carolina North Carolina Mississippi First Principal Component 박창이 ( 서울시립대학교통계학과 ) 자율학습 8 / 31
9 주성분분석 V 주성분에대한해석 주성분은데이터에가장가까운저차원선형표면을제공함. 가령제 1 주성분은데이터에가장가까운 p 차원직선, 제 2 주성분은데이터에 가장가까운평면을나타냄 첫 M 개의주성분들은데이터에대한 M 차원근사임. 즉, x ij M m=1 z imφ jm (M = min(n 1, p) 이면등호성립 ) 박창이 ( 서울시립대학교통계학과 ) 자율학습 9 / 31
10 주성분분석 VI First principal component Second principal component 박창이 ( 서울시립대학교통계학과 ) 자율학습 10 / 31
11 주성분분석의고려사항 I 변수의표준화 USArrests 데이터에서 Murder, Rape, Assualt는 100,000만명당발생건수이며, UrbanPop은도시지역에사는인구의비율로스케일이다름. 표준화하지않고주성분분석을하면 Assualt 변수의분산이커서 dominate함보통 PCA를적용하기전에표준화를하는데, 변수의측정단위가동일한경우 ( 가령, p개의유전자측정치 ) 에는표준화를하지않을수도있음 박창이 ( 서울시립대학교통계학과 ) 자율학습 11 / 31
12 주성분분석의고려사항 II Scaled Unscaled Second Principal Component UrbanPop Rape Assault Murder Second Principal Component UrbanPop Rape Murder Assau First Principal Component First Principal Component 왼쪽 : 표준화된경우, 오른쪽 : 표준화안된경우 박창이 ( 서울시립대학교통계학과 ) 자율학습 12 / 31
13 주성분분석의고려사항 III 주성분의유일성 Z 의분산과 Z 의분산은동일하므로주성분의계수와점수벡터는 부호를제외하고는유일 계수와점수의곱은항상일정 분산의설명비율 (proportion of variance explained; PVE) m 번째주성분의 PVE: n i=1 ( p j=1 φ jmx ij ) 2 p n j=1 i=1 x ij 2 USArrests 데이터에서제 1 주성분은 62.0%, 제 2 주성분은 24.7% 설명 박창이 ( 서울시립대학교통계학과 ) 자율학습 13 / 31
14 주성분분석의고려사항 IV 몇개의주성분을사용할것인가? Prop. Variance Explained Cumulative Prop. Variance Explained Principal Component Principal Component 박창이 ( 서울시립대학교통계학과 ) 자율학습 14 / 31
15 군집분석 군집분석은그룹내에서는관측치들이유사하고그룹간에는서로다르도록관측치들을몇개의그룹이나군집으로나누는분석법예유전자관측값에서환자혹은유전자들의군집 market segmentation: 특정형태의광고에반응하거나특정제품을구매할확률이높은사람들에대한군집주요방법 K-평균군집계층적군집 박창이 ( 서울시립대학교통계학과 ) 자율학습 15 / 31
16 군집분석 : K- 평균군집 I 군집의갯수 K 를사전에지정해야함 C 1,..., C K : K 개의군집에대응되는관측값에대한인덱스집합 C 1 C K = {1,..., n} C k C k =, k k C k 의군집내변동 W (C k ) = 1 C k p i,i C k j=1 여기서 x kj = 1 C k i C k x ij (x ij x i j) 2 = 1 C k i C k j=1 p (x ij x kj ) 2 박창이 ( 서울시립대학교통계학과 ) 자율학습 16 / 31
17 군집분석 : K- 평균군집 II 최적화 : min K C1,...,C K k=1 W (C k) 알고리즘 1. 각관측값을랜덤하게 K개의군집에배정 2. 군집할당에변화가없을때까지계속 1 각군집에대하여군집의중심 ( 군집내관측치들의평균 ) 을구함 2 각관측치를가장가까운군집의중심에해당하는군집으로할당초기치에따라결과가달라지므로보통여러초기치에대하여가장군집내변동이작은것을선택함 박창이 ( 서울시립대학교통계학과 ) 자율학습 17 / 31
18 군집분석 : K- 평균군집 III 3- 평균군집단계 Data Step 1 Iteration 1, Step 2a Iteration 1, Step 2b Iteration 2, Step 2a Final Results 박창이 ( 서울시립대학교통계학과 ) 자율학습 18 / 31
19 군집분석 : K- 평균군집 IV 3- 평균군집결과 (6 회의초기치에대한반복 ) 박창이 ( 서울시립대학교통계학과 ) 자율학습 19 / 31
20 군집분석 : 계층적군집 I 계층적군집은 dendrogram 형식으로표현할수있음 왼쪽 : 완전연결법, 가운데 : 거리 9 에서절단 (2 군집 ), 오른쪽 : 거리 5 에서절단 (3 군집 ) 박창이 ( 서울시립대학교통계학과 ) 자율학습 20 / 31
21 군집분석 : 계층적군집 II 예시 ( 완전연결법, 유클리드거리 ) X X1 2 는 9 보다 8,5,7 과가까움 박창이 ( 서울시립대학교통계학과 ) 자율학습 21 / 31
22 군집분석 : 계층적군집 III 높이에따라얻어지는군집간에구조적관계가존재하여계층적군집이라함계층적구조를가정하는것이적합하지않은경우에는부적절가령남녀가 5:5이고미국인, 일본인, 프랑스인이골고루섞여있는집단을생각해보면, 성별로는 2그룹이고국적으로는 3그룹인데이들간에포함 (nest) 관계가없음 박창이 ( 서울시립대학교통계학과 ) 자율학습 22 / 31
23 군집분석 : 계층적군집 IV 알고리즘 1. n개의관측값각각이하나의군집 2. i = n,..., 2에대하여 1 i개의군집들간의모든쌍별비유사성을구하고최소인군집쌍을찾아서병합 2 i 1개의군집들간의새로운군집간비유사성을구함 박창이 ( 서울시립대학교통계학과 ) 자율학습 23 / 31
24 군집분석 : 계층적군집 V 군집과정예시 ( 완전연결법, 유클리드거리 ) 9 9 X X X X1 9 X X X X1 박창이 ( 서울시립대학교통계학과 ) 자율학습 24 / 31
25 군집분석 : 계층적군집 VI 연결법 (linkage) 완전 (complete): 군집간의모든쌍에대한비유사성들중최대값을군집간의비유사성으로사용최단 (single): 군집간의모든쌍에대한비유사성들중최소값을군집간의비유사성으로사용평균 (average): 군집간의모든쌍에대한비유사성들의평균값을군집간의비유사성으로사용중심 (centroid): 군집들의중심 ( 가령평균 ) 들간의비유사성을군집간의비유사성으로사용 박창이 ( 서울시립대학교통계학과 ) 자율학습 25 / 31
26 군집분석 : 계층적군집 VII 연결법예시 ( 유클리드거리 ) Average Linkage Complete Linkage Single Linkage 최단은하나씩연결되며평균과완전연결법이더균형잡힌군집을줌 박창이 ( 서울시립대학교통계학과 ) 자율학습 26 / 31
27 군집분석 : 계층적군집 VIII 비유사성의측도 예 : 유클리드거리, 상관계수기반의거리, 맨하탄거리등 문제에따라적절한측도가달라짐 ( 예 ) 온라인쇼핑에서추천시스템의경우행은고객, 열은상품을 나타내는행렬형태의데이터를가정. 유클리드거리는자주구매를 하지않는고객들이묶이게되어바람직하지않음. 반면상관계수에 기반한거리는유사한구매패턴을갖는고객을군집으로찾아줌 변수에대한표준화여부도고려해야함 ( 예 ) 자주구매되는상품 ( 양말등 ) 과그렇지않은상품 ( 컴퓨터등 ) 은연간구매수가달라질수있음. 표준화하지않으면자주구매되는상품이군집결과에더많은영향을줌 박창이 ( 서울시립대학교통계학과 ) 자율학습 27 / 31
28 군집분석 : 계층적군집 IX 유클리드거리와상관계수기반의거리예시 Observation 1 Observation 2 Observation Variable Index 1 과 3 은유클리드거리는작지만상관은약함. 반면 1 과 2 는유클리드 거리는크지만상관은강함 박창이 ( 서울시립대학교통계학과 ) 자율학습 28 / 31
29 군집분석 : 계층적군집 X 상품의판매량과표준화예시 Socks Computers Socks Computers Socks Computers 고객별로색이다름, 왼쪽 : 원구매수, 가운데 : 표준화된구매수, 오른쪽 : 금액 박창이 ( 서울시립대학교통계학과 ) 자율학습 29 / 31
30 군집분석의고려사항 I 작지만큰영향을주는것들표준화계층적군집에서비유사성의측도, 연결법, dendrogram의절단높이 K-평균군집에서 K값군집의검증군집결과가실제로그런것인지아니면노이즈에의한것인지, 즉, 분석에사용된것과는독립적인관측치를얻었을때그관측치에서도동일한군집을얻을것인가검증하기현실적으로어려움 박창이 ( 서울시립대학교통계학과 ) 자율학습 30 / 31
31 군집분석의고려사항 II 기타고려사항들이상치의존재여부 K-평균이나계층적군집법과같은 hard한방법으로는알기어렵고혼합모형 (mixture model) 과같은 soft한군집법에서가능데이터를조금바꿔도결과가많이바뀔수있어 robust하지않음하나의데이터에대하여모수를바꿔가며여러가지가능한군집결과를비교할필요가있음. 군집분석은과학적가설이나연구를위한확증적인방법이라기보다는기초적인출발점역할을함 박창이 ( 서울시립대학교통계학과 ) 자율학습 31 / 31
Holland Bar Stool BL1BKAppStU Appalachian State University Logo Pendant Light with Black Finish - 120V Holland Bar Stool BL1BKArizSt-F Arizona State U
Holland Bar Stool BL1BKAppStU Appalachian State University Logo Holland Bar Stool BL1BKArizSt-F Arizona State University (Pitchfork) Logo Holland Bar Stool BL1BKArizSt-S Arizona State University (Sparky)
교직원 1. 전임교원 2. 직원 87 118 Truly, Global Leading Univeristy 1. 전 임 교 원 (2015년 4월 1일 현재) (학부대학) 부교수 원만희 元 滿 喜 철학박사 성균관대학교 레토리케 부교수 박정하 朴 正 夏 철학박사 서울대학교 레토리케 부교수 이상철 李 相 哲 Ph.D (미) MINNESOTA, UNIV. OF 레토리케
세계 비지니스 정보
- i - ii - iii - iv - v - vi - vii - viii - ix - 1 - 2 - 3 - - - - - - - - - - 4 - - - - - - 5 - - - - - - - - - - - 6 - - - - - - - - - 7 - - - - 8 - 9 - 10 - - - - - - - - - - - - 11 - - - 12 - 13 -
<2015 춘계한국사회서비스학회 > 지역자율형사회서비스투자사업 -현황과과제- 한국보건사회연구원김정현 Overview 001 지역자율형사회서비스투자사업 개요 2015 년주요변경사항 002 성과평가 개요 평가지표 활용과개선방안 003 쟁점 포괄보조 시장화 - 3 -
지역자율형사회서비스투자사업 -현황과과제- 한국보건사회연구원김정현 Overview 001 지역자율형사회서비스투자사업 개요 2015 년주요변경사항 002 성과평가 개요 평가지표 활용과개선방안 003 쟁점 포괄보조 시장화 - 3 - 001. 지역자율형사회서비스투자사업 목적 지역특성과주민의욕구를반영하는사회서비스제공 포괄보조 (Block
- i - - ii - - i - - ii - - i - - ii - - iii - - iv - - v - - vi - - vii - - viii - - ix - - x - - xi - - 1 - - 2 - - 3 - - 4 - - 5 - - 6 - - 7 - - 8 - - 9 - - 10 - - 11 - - 12 - - 13 - - 14 - - 15 -
CONTENTS.HWP
i ii iii iv v vi vii viii ix x xi - 1 - - 2 - - 3 - - 4 - - 5 - - 6 - - 7 - - 8 - - 9 - - 10 - - 11 - - 12 - - 13 - - 14 - - 15 - - 16 - - 17 - - 18 - - 19 - - 20 - - 21 - - 22 - - 23 - - 24 - - 25 -
INDUS-8.HWP
i iii iv v vi vii viii ix x xi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
<32BFF931C0CFC0DA2E687770>
UMTS, EDGE(Enhanced Data GSM Environment), GPRS(General Packet Radio Service) 네트워크에서운용되고, 평균데이터전송속도는 500kbps에서 800kbps 정도이다. 또한, HSDPA 나 UMTS 네트워크커버리지를벗어나면 EDGE나 GSM/GPRS 네트워크에연결되어국제로밍이가능해진다. 프랑스에서는 Orange
CONTENTS C U B A I C U B A 8 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII Part IX 9 C U B A 10 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII Part IX 11 C U B
00-1표지
summary _I II_ summary _III 1 1 2 2 5 5 5 8 10 12 13 14 18 24 28 29 29 33 41 45 45 45 45 47 IV_ contents 48 48 48 49 50 51 52 55 60 60 61 62 63 63 64 64 65 65 65 69 69 69 74 76 76 77 78 _V 78 79 79 81
1. 미국관광산업의고용현황 관광산업이전반적인미국경제에미치는영향은 절대적이라기보다는상징적이다. 무역수지가적자 정부기관을제외한산업체중 5위를차지하고있으며, 고용창출면에서관광산업은 3개주를제외한미국의모든 48개주 ( 수도워싱턴DC 포함 ) 에서 10위권내의영향력을발휘하고있다
미국의관광고용현황과 고용정책 박민경조지매이슨대학교교수 일자리창출이전세계적인화두인요즘, 관광산업의일자리창출에대한기여도가주목받고있다. 이러한연유로최근한국에서관광산업은 MICE산업과더불어 17 대국가미래동력산업으로선정되기도하였다. 뿐만아니라관광산업은녹색성장과좋은파트너를이룰수있다. 다른산업분야와의연관성이높고파급효과가크다는것또한관광산업의큰장점이다. 관광산업분야자체가필요로하는일자리의규모는그리크지않을지라도,
경제통상 내지.PS
CONTENTS I 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 II 38 39 40 41 42 43 III 46 47 48 49 50 51 52 53 54 55 56 57 58 59 IV 62 63 64 65 66 67 68 69 V
°æÁ¦Åë»ó³»Áö.PDF
CONTENTS I 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 II 38 39 40 41 42 43 III 46 47 48 49 50 51 52 53 54 55 56 57 58 59 IV 62 63 64 65 66 67 68 69 V
우루과이 내지-1
U R U G U A Y U r u g u a y 1. 2 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII 3 U r u g u a y 2. 4 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII 5 U r u g u a
영암군 관광종합개발계획 제6장 관광(단)지 개발계획 제7장 관광브랜드 강화사업 1. 월출산 기( 氣 )체험촌 조성사업 167 (바둑테마파크 기본 계획 변경) 2. 성기동 관광지 명소화 사업 201 3. 마한문화공원 명소화 사업 219 4. 기찬랜드 명소화 사업 240
목 차 제1장 과업의 개요 1. 과업의 배경 및 목적 3 2. 과업의 성격 5 3. 과업의 범위 6 4. 과업수행체계 7 제2장 지역현황분석 1. 지역 일반현황 분석 11 2. 관광환경 분석 25 3. 이미지조사 분석 45 4. 이해관계자 의견조사 분석 54 제3장 사업환경분석 1. 국내 외 관광여건분석 69 2. 관련계획 및 법규 검토 78 3. 국내 외
[96_RE11]LMOs(......).HWP
![[96_RE11]LMOs(......).HWP](/thumbs/40/20522352.jpg "[96_RE11]LMOs(......).HWP")
- i - - ii - - iii - - iv - - v - - vi - - vii - 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
i ii iii iv v vi vii viii 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 XXXXXXXX 22 24 25 26 27 28 29 30 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61
À̶õ°³È²³»Áö.PDF
Islamic Republic of Iran I I S L A M I C R E P U B L I C O F I R A N 10 Part I 11 I S L A M I C R E P U B L I C O F I R A N 12 Part I 13 I S L A M I C R E P U B L I C O F I R A N 14 II I S L A M I C R
1.서론 2.본론 1.1. 연구의 목적 누구나 어렸을 때 알록달록한 크레파스로 빨주노초파 남보를 읊어가며 무지개를 그려 본적이 있을 것이다. 대 부분의 아이들이 처음 접하게 되는 색채의 도구는 쉽고 부드럽게 그려지는 크레파스이다. 유 아동에게 있어 색채 교육의 출발점이
아동용화구의 색채비교연구 -유 아동 크레용을 중심으로- A comparative study for coloring of children's painting materials -Focusing on infants' & children's crayons- 1)이은경* / Lee, Eun-Kyung, 박연선**/Park, Yon-Sun Abstract The first
<C1A634B1C720C1A632C8A32DC3D6C1BE2E687770>
제4권 제2호 2012. 12 사단법인 한국형사소송법학회 The Korean Association of Criminal Procedure 목차 刑 事 訴 訟 理 論 과 實 務 제4권 제2호(2012. 12) 특집 이주원 - 개정 도로교통법상 음주운전죄의 소송법적 문제점 고찰 - 이른바 위드마크 공식이 과연 우리 사회의 일반적 경험칙인가 - 7 전윤경 - 프랑스
*통신1802_01-도비라및목차1~11
ISSN 25-2693 218. 2 218. 2 214 215 216 217 2.6 2.9 1.5 1.8 1.2 3.1 3.2 1.3 2.1 1.8 2.6 2.5 2.8 2.4.4 1.4.9 1.4 1.5 2.9 2.5 7.3 6.9 6.7 6.8 6.9 6.9 6.8 2.8 14 2.6 13 2.4 12 2.2 2. 11 1.8 1.6 1.4
CHU 통계교육 Workshop (DAY 7. MDA 군집분석 ) 1. 개념 Individual Directed Technique + 범주 ( 그룹 ) 에대한사전정보가없음 + 다변량측정치를동시에고려하여데이터개체분류 + 개체의유사성 (simila
1. 개념 Individual Directed Technique + 범주 ( 그룹 ) 에대한사전정보가없음 + 다변량측정치를동시에고려하여데이터개체분류 + 개체의유사성 (similarity, 거리의반대개념 ) 을측정변수들을이용하여계산 + 유사성이높은개체를군집으로묶어간다. + 개체를집단으로그룹화하여각집단의성격을파악함으로써데이터전체의구조에대한이해를얻는분석기법 군집원칙
통신1310_01-도비라및목차1~9
ISSN 5-693 13. 1 13. 1 3 1 3 1 i .75 1.5.75 1. 1..9.9 7.5 ) 7.5 ) 3. 1.5 1.5 9. ) 1. ) ii 8 6 8 6 - - 3 1 1 11 1 9 8 7 iii 6 5 6 5 3 3 1 8 1 8 1 1 6 6-1 -1 - - iv . 1.5 1.. 1.5 1..5. -.5.5. -.5
True number of clusters = 3 V V1 2 군집의수선택 2.1 군집내와군집간제곱합이용 군집분석은각군집의평균의차이를크게하고 ( 군집간의변동을크게하고 ) 군집내의변동을작게하는 것이좋다. 군집의개수가늘어날수록커지고
군집분석 : 군집의개수 서울시립대통계학과이용희 FALL 2017 1 예제자료의준비 k- 평균군집분석의예제로서다음과같은 3 개의군집을인공적으로만들었다. library(mvtnorm) set.seed(244211) # number units in each cluster nn
National Food & Nutrition Statistics 2011: based on 2008~2011 Korea National Health and Nutrition Examination Survey (Ⅱ) i ii iii iv v vi vii viii ix (N=33,745, 단위 : g) (N=33,745, 단위 : g) (N=33,745,
<C1A4C3A5BFACB1B82031312D3420C1A4BDC5C1FAC8AFC0DAC0C720C6EDB0DFC7D8BCD220B9D720C0CEBDC4B0B3BCB1C0BB20C0A7C7D120B4EBBBF3BAB020C0CEB1C720B1B3C0B020C7C1B7CEB1D7B7A520B0B3B9DF20BAB8B0EDBCAD28C7A5C1F6C0AF292E687770>
제 출 문 보건복지부장관 귀 하 이 보고서를 정신질환자의 편견 해소 및 인식 개선을 위한 대상별 인권 교육프로그램 개발 연구의 결과보고서로 제출합니다 주관연구기관명 서울여자간호대학 산학협력단 연 구 책 임 자 김 경 희 연 구 원 김 계 하 문 용 훈 염 형 국 오 영 아 윤 희 상 이 명 수 홍 선 미 연 구 보 조 원 임 주 리 보 조 원 이 난 희 요
표1
i ii Korean System of National Accounts iii iv Korean System of National Accounts v vi Korean System of National Accounts vii viii Korean System of National Accounts 3 4 KOREAN SYSTEM OF NATIONAL ACCOUNTS
°æÁ¦Àü¸Á-µ¼º¸.PDF
www.keri.org i ii iii iv v vi vii viii ix x xi xii xiii xiv xv 3 4 5 6 7 8 9 10 11 12 13 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 47 48 49 50 51 52 53
israel-내지-1-4
israel-내지-1-4 1904.1.1 12:49 AM 페이지1 mac2 2015. 11 Contents S T A T E O F I S R A E L 8 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII 9 S T A T E O F I S R A E L 10 Part I Part
Resampling Methods
Resampling Methds 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) Resampling Methds 1 / 18 학습내용 개요 CV(crss-validatin) 검증오차 LOOCV(leave-ne-ut crss-validatin) k-fld CV 편의-분산의관계분류문제에서의 CV Btstrap 박창이 ( 서울시립대학교통계학과 )
src.hwp
노 로 바 이 러 스 2010. 12 차 례 제1장. 개요 2 1.1. 정의 3 1.2. 특성 6 1.3. 분석법 12 제2장. 위해 평가 17 2.1. 노출원 및 노출경로 18 2.2. 노출평가 20 제3장. 위해정보교류 30 3.1. 이슈화 사례 31 3.2. 소비자를 위한 리스크 커뮤니케이션 가이드 35 제4장. 위해 관리 45 4.1. 국내 관리 현황
과기대소개최근-수정
The First & The Best Your Future Our Vision Discovery of New Possibilities 08 09 SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY 2010 9 1 2012 3 1. 6 25() 100 (LINC - ) 2012 3 LINC.... 2008 5.. 2013
표본재추출(resampling) 방법
표본재추출 (resampling) 방법 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 표본재추출 (resampling) 방법 1 / 18 학습내용 개요 CV(crss-validatin) 검증오차 LOOCV(leave-ne-ut crss-validatin) k-fld CV 편의-분산의관계분류문제에서의 CV Btstrap 박창이 ( 서울시립대학교통계학과
09 강제근로의 금지 폭행의 금지 공민권 행사의 보장 38 10 중간착취의 금지 41 - 대판 2008.9.25, 2006도7660 [근로기준법위반] (쌍용자동차 취업알선 사례) 11 균등대우의 원칙 43 - 대판 2003.3.14, 2002도3883 [남녀고용평등법위
![09 강제근로의 금지 폭행의 금지 공민권 행사의 보장 38 10 중간착취의 금지 41 - 대판 2008.9.25, 2006도7660 [근로기준법위반] (쌍용자동차 취업알선 사례) 11 균등대우의 원칙 43 - 대판 2003.3.14, 2002도3883 [남녀고용평등법위](/thumbs/40/20564166.jpg "09 강제근로의 금지 폭행의 금지 공민권 행사의 보장 38 10 중간착취의 금지 41 - 대판 2008.9.25, 2006도7660 [근로기준법위반] (쌍용자동차 취업알선 사례) 11 균등대우의 원칙 43 - 대판 2003.3.14, 2002도3883 [남녀고용평등법위")
01 노동법 법원으로서의 노동관행 15 - 대판 2002.4.23, 2000다50701 [퇴직금] (한국전력공사 사례) 02 노동법과 신의성실의 원칙 17 - 대판 1994.9.30, 94다9092 [고용관계존재확인등] (대한조선공사 사례) 03 퇴직금 청구권 사전 포기 약정의 효력 19 - 대판 1998.3.27, 97다49732 [퇴직금] (아시아나 항공
°øÁõ°ú½Å·Ú_º»¹®.PDF
... ( ) (Deed) (acknowledgement).,,,,,,.., (Deed) (Recording system) (Torrens registration system). 2016 50 New York, Massachusetts 9. 1),,,. 4), 5), 6)., - 1) New York, Massachusetts, Minnesota, Colorado,
*통신1604_01-도비라및목차1~12
ISSN 25-2693 216. 4 216. 4 213 214 215 1.5 2.4 2.4.6 3.9 2. 1.4 -.3.9 1.6 2.3 1.6 1.2 1.3 1.4..5 4.6-1.4 1.4-1.1 7.7 7.3 6.9 7. 7. 6.9 6.8 14 13 12 11 1 9 8 7 5 4 3 2 1 i 4 4 3 3 2. 1.5 1. 2.
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 11 주차 군집분석 Cluster Analysis 최종후, 강현철 차례 8.1 군집분석의개념 8.2 k-평균군집방법 (k-means Clustering) 8.3 군집분석의특징과적용상의문제점 8.4 클러스터링 (Clustering) 노드 8.5 세그먼트프로파일링 (Segment
제 출 문 환경부장관 귀하 본 보고서를 폐기물관리 규제개선 방안연구 에 관한 최종보고서로 제출합니다 연구기관 한국산업폐기물처리공제조합 연구책임자 연 구 원 연구보조원 이 남 웅 황 연 석 은 정 환 백 인 근 성 낙 근 오 형 조 부이사장 상근이사 기술팀장 법률팀장 기
최종보고서 폐기물관리 규제개선방안 연구 ( 업계 건의사항 및 질의사례 중심) 2006. 9 환 경 부 제 출 문 환경부장관 귀하 본 보고서를 폐기물관리 규제개선 방안연구 에 관한 최종보고서로 제출합니다 연구기관 한국산업폐기물처리공제조합 연구책임자 연 구 원 연구보조원 이 남 웅 황 연 석 은 정 환 백 인 근 성 낙 근 오 형 조 부이사장 상근이사 기술팀장
statistics
수치를이용한자료요약 statistics hmkang@hallym.ac.kr 한림대학교 통계학 강희모 ( 한림대학교 ) 수치를이용한자료요약 1 / 26 수치를 통한 자료의 요약 요약 방대한 자료를 몇 개의 의미있는 수치로 요약 자료의 분포상태를 알 수 있는 통계기법 사용 중심위치의 측도(measure of center) : 어떤 값을 중심으로 분포되어 있는지
*통신1510_01-도비라및목차1~12
ISSN 5-693 15. 11 15. 11 1 13 1 15. 1.5..3.1.6 3.9 -.8 -.3.9 1. 1.6.1 1. 1.7 1.6 -.1-1.1 1.3.5-1. 7.7 7.7 7.3 7. 7. 7. 7. 8 6 8 6 i 3 1-1 3 1-1 5 5 3 3 1 1 ii 1 8 5 3.5 3.5 3. 3..5.5.. 1.5 1.5
특집3. 박경신.hwp
仁 荷 大 學 校 法 學 硏 究 第 14 輯 第 3 號 2011년 11월 30일, 77~106면 Inha Law Review The Institute of Legal Studies Inha University Vol.14, No.3, Nov. 2011 전략적 봉쇄소송 억제(Anti-SLAPP)법리의 미국민사소송제도 상의 환경에 대한 이해와 우리나라에서의 적용가능성
미얀-내지-8차
미얀-내지-8차 2014.10.29 12:44 AM 페이지1 mac2 Contents I The Republic of the Union of Myanmar 12 Part I Part II Part III Part IV Part V Part VI Part VII Part VIII Part IX 13 The Republic of the Union
단순 베이즈 분류기
단순베이즈분류기 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 단순베이즈분류기 1 / 14 학습내용 단순베이즈분류 구현 예제 박창이 ( 서울시립대학교통계학과 ) 단순베이즈분류기 2 / 14 단순베이즈분류 I 입력변수의값이 x = (x 1,..., x p ) 로주어졌을때 Y = k일사후확률 P(Y = k X 1 = x 1,..., X p =
Microsoft PowerPoint - IPYYUIHNPGFU
분산분석 분산분석 (ANOVA: ANALYSIS OF VARIANCE) 두개이상의모집단의차이를검정 예 : 회사에서세종류의기계를설치하여동일한제품을생산하는경우, 각기계의생산량을조사하여평균생산량을비교 독립변수 : 다른변수에의해영향을주는변수 종속변수 : 다른변수에의해영향을받는변수 요인 (Factor): 독립변수 예에서의요인 : 기계의종류 (I, II, III) 요인수준
<4D6963726F736F667420576F7264202D20B4EBBFF5203230303520BFB5BEF7BAB8B0EDBCAD2E646F63>
第 46 期 定 期 柱 主 總 會 日 時 : 2006. 5. 26 午 前 11 時 場 所 : 大 熊 本 社 講 堂 株 式 會 社 大 熊 회 순 Ⅰ. 개회선언 Ⅱ. 국민의례 Ⅲ. 출석주주 및 출석주식수 보고 Ⅳ. 의장인사 Ⅴ. 회의의 목적사항 1. 보고사항 감사의 감사보고 영업보고 외부감사인 선임 보고 2. 의결사항 제1호 의안 : 제4기 대차대조표, 손익계산서
Microsoft Word - SPSS_MDA_Ch6.doc
Chapter 6. 정준상관분석 6.1 정준상관분석 정준상관분석 (Canonical Correlation Analysis) 은변수들의군집간선형상관관계를파악하는분석방법이다. 예를들어신체적조건 ( 키, 몸무게, 가슴둘레 ) 과운동력 ( 달리기, 윗몸일으키기, 턱걸이 ) 사이의선형상관관계가있는지알아보고, 관계가있다면어떤관계가있는지분석하는것이다. 정준상관분석은 (
2 0 1 1 4 2011 1 2 Part I. 1-1 1-2 1-3 1-4 1-5 1-6 1-7 1-8 Part II. 2-1 2-2 2-3 2-4 2-5 2-6 2-7 2-8 2-9 2-10 2-11 2-12 2-13 2-14 2-15 2-16 2-17 2-18 2-19 2-20 2-21 2-22 2-23 2-24 2-25 2-26 2-27 2-28
PowerPoint Presentation
RHive 와빅데이터분석 - 넥스알 Agenda 1. RHive 의소개 RHive 란? RHive 기능 & 사용법 Enterprise RHive 2. RHive 의운용사례 CloudLog CDR 2 R 분석가를 RHive 탄생배경 RHive 의소개 Big Data 플랫폼의데이터처리능력과 R 의데이터분석기능의결합필요성이대두됨 3 RHive 의정의 RHive 의소개
9장. 연관규칙분석과 협업필터링
9 장. 연관규칙분석과협업필터링 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 9 장. 연관규칙분석과협업필터링 1 / 28 학습내용 연관규칙분석연관규칙측도절차고려사항협업필터링 박창이 ( 서울시립대학교통계학과 ) 9 장. 연관규칙분석과협업필터링 2 / 28 연관규칙분석 I 데이터에존재하는항목 (item) 들간의 if-then 형식의연관규칙을찾는방법기업의데이터베이스에서상품의구매,
9장. 연관규칙분석과 협업필터링
9 장. 연관규칙분석과협업필터링 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 9 장. 연관규칙분석과협업필터링 1 / 29 학습내용 연관규칙분석연관규칙측도절차고려사항협업필터링 박창이 ( 서울시립대학교통계학과 ) 9 장. 연관규칙분석과협업필터링 2 / 29 연관규칙분석 I 데이터에존재하는항목 (item) 들간의 if-then 형식의연관규칙을찾는방법기업의데이터베이스에서상품의구매,
세계 비지니스 정보
1.... 1 2. /2005... 3 3.... 6 4.... 8 5. /... 9 6....12 7. /...17 8....23 9. /...26 10....28 11....29 12....30 13. /...31 14....32 15....33 16. /...35 17....39 - i 18....43 19....46 20....51 21....53 22....56
2 ㆍ 大 韓 政 治 學 會 報 ( 第 20輯 1 號 ) 도에서는 고려 말에 주자학을 받아들인 사대부들을 중심으로 보급되기 시작하였고, 이후 조선시대에 들어와서는 국가적인 정책을 통해 민간에까지 보급되면서 주자 성리학의 심 화에 커다란 역할을 담당하였다. 1) 조선시대
대한정치학회보 20집 1호 2012년 6월: 77~99 세종과 소학( 小 學 ) : 민풍( 民 風 ) 과 사풍( 士 風 ) 의 교화* 1) 박홍규 ㆍ송재혁 고려대학교 요 약 2 기존 소학 에 대한 연구들은 주로 중종( 中 宗 ) 시대 사림( 士 林 ) 과의 연관선상에서 소학 의 의미를 모색하고 있다. 그러나 소학 에 대한 존숭 의식은 이미 조선 전기 관학파들도
(Hyunoo Shim) 1 / 24 (Discrete-time Markov Chain) * 그림 이산시간이다연쇄 (chain) 이다왜 Markov? (See below) ➀ 이산시간연쇄 (Discrete-time chain): : Y Y 의상태공간 = {0, 1, 2,..., n} Y n Y 의 n 시점상태 {Y n = j} Y 가 n 시점에상태 j 에있는사건
고차원에서의 유의성 검정
고차원에서의유의성검정 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 고차원에서의유의성검정 1 / 15 학습내용 FDR(false discovery rate) SAM(significance analysis of microarray) FDR 에대한베이지안해석 박창이 ( 서울시립대학교통계학과 ) 고차원에서의유의성검정 2 / 15 서론 I 고차원데이터에서변수들에대한유의성검정
No Slide Title
[SK Macro Strategy] 2012 년미선거및영향총정리 SK 증권리서치센터 Economist 조준 1 2 3 4 부록 미대선메커니즘총정리 - 2000년대선 : 득표율더낮아도미대선승리가능하다? - 선거인단이란무엇인가? 선거인단 Implication - 경합주에주목하라 2012 년미대선 : 2000 년과같은접전예상 - 전국지지율접전. 2012년 8개경합주에주목하라
취업지원(0222)_인쇄용.hwp
머 리 말 2007년 장애인 등에 대한 특수교육법 에 장애학생 고등교육 관련 조항이 제정된 이후, 2011년 장애인 고등교육 발전 방안 과 2013년 제4차 특수교육 발전 5개년 계획( 13~ 17) 에서 장애학생 고등교육에 관한 법규와 정책이 강화되고, 그 구체적 시행을 위한 실질적 방안에 대한 연구가 요구되고 있습니다. 특히, 고등교육의 궁극적 성과는 졸업
<C0CEC5CDB3DDC1DFB5B6BDC7C5C2C1B6BBE75FC0CEBCE2C5EBC7D5BABB5F303530372E687770>
조사보고 08-03 2008 인터넷중독 실태조사 연 구 기 관 한국정보문화진흥원 연 구 책 임 자 박효수 (정보화역기능대응단장) 공 동 연 구 원 고영삼 (미디어중독대응팀장) 김정미 (미디어중독대응팀 선임연구원) 자 문 위 원 나은영 (서강대학교 신문방송학과 교수) 배은주 (동명중학교 교사) 이수진 (국민대학교 교육학과 교수) 정 훈 (서울애화학교 교사) i
확률 및 분포
확률및분포 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 확률및분포 1 / 15 학습내용 조건부확률막대그래프히스토그램선그래프산점도참고 박창이 ( 서울시립대학교통계학과 ) 확률및분포 2 / 15 조건부확률 I 첫째가딸일때두아이모두딸일확률 (1/2) 과둘중의하나가딸일때둘다딸일확률 (1/3) 에대한모의실험 >>> from collections import
<BFDCB1B9C0CE20C5F5C0DAB1E2BEF7C0C720B3EBBBE7B0FCB0E82E687770>
외국인 투자기업의 노사관계 요 약 i ii 외국인 투자기업의 노사관계 요 약 iii iv 외국인 투자기업의 노사관계 요 약 v vi 외국인 투자기업의 노사관계 요 약 vii viii 외국인 투자기업의 노사관계 요 약 ix x 외국인 투자기업의 노사관계 요 약 xi xii 외국인 투자기업의 노사관계 요 약 xiii xiv 외국인 투자기업의 노사관계
<28323129BACFC7D1B1B3C0B0C1A4C3A5B5BFC7E228B1E2BCFABAB8B0ED20545220323031342D373929202D20C6EDC1FD2035B1B32E687770>
기술보고 TR 2014-79 북한 교육정책 동향 분석 및 서지 정보 구축 연구책임자 _ 김 정 원 (한국교육개발원 ) 공동연구자 _ 김 김 한 강 지 은 승 구 수 (한국교육개발원) 주 (한국교육개발원) 대 (한국교육개발원) 섭 (한국교육개발원) 연 구 조 원 _ 이 병 희 (한국교육개발원) 머리말 최근 통일에 대한 논의가 어느 때보다 활발합니다. 그에 따라
Tree 기반의 방법
Tree 기반의방법 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) Tree 기반의방법 1 / 25 학습내용 의사결정나무 (decision tree) 회귀나무 (regresion tree) 분류나무 (classification tree) 비교앙상블알고리즘 (ensemble algorithm) 배깅 (bagging) 랜덤포레스트 (random
이슈분석 2000 Vol.1
i ii iii iv 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66
가볍게읽는-내지-1-2
I 01. 10 11 12 02. 13 14 15 03. 16 17 18 04. 19 20 21 05. 22 23 24 06. 25 26 27 07. 28 29 08. 30 31 09. 32 33 10. 34 35 36 11. 37 12. 38 13. 39 14. 40 15. 41 16. 42 43 17. 44 45 18. 46 19. 47 48 20. 49
kbs_thesis.hwp
- I - - II - - III - - IV - - 1 - - 2 - - 3 - - 4 - - 5 - - 6 - - 7 - - 8 - - 9 - - 10 - - 11 - - 12 - - 13 - - 14 - - 15 - - 16 - - 17 - - 18 - - 19 - - 20 - - 21 - - 22 - - 23 - - 24 - - 25 - - 26 -
한눈에-아세안 내지-1
I 12 I 13 14 I 15 16 I 17 18 II 20 II 21 22 II 23 24 II 25 26 II 27 28 II 29 30 II 31 32 II 33 34 II 35 36 III 38 III 39 40 III 41 42 III 43 44 III 45 46 III 47 48 III 49 50 IV 52 IV 53 54 IV 55 56 IV
시안
ULSAN NATIONAL INSTITUTE OF SCIENCE AND TECHNOLOGY GRADUATE SCHOOL OF TECHNOLOGY & INNOVATION MANAGEMENT 울산과학기술원 기술경영전문대학원 http://mot.unist.ac.kr 02 03 Global Study Mission CURRICULUM 2 Practicality Global
2007
Eugene Research 산업분석 2017. 01. 31 Small-Cap 트럼프의긴급 50 개투자계획 예상밖으로에너지원별로는풍력, 재생에너지송전망, ESS 등신에너지관련투자가대부분 에너지 / 스몰캡한병화 Tel. 02)368-6171 / bhh1026@eugenefn.com 스몰캡한상웅 Tel. 02)368-6139 / sangwoung@eugenefn.com
기술통계
기술통계 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 기술통계 1 / 17 친구수에대한히스토그램 I from matplotlib import pyplot as plt from collections import Counter num_friends = [100,49,41,40,25,21,21,19,19,18,18,16, 15,15,15,15,14,14,13,13,13,13,12,
슬라이드 1
The best of promotion This world is only one platform KORTV Marketing Opportunities The best of promotion This world is only one platform The best of promotion 매체소개 매체소개 KORTV는한국방송을전세계어느대륙, 어느국가, 어느도시에있더라도실시간라이브로시청할수있는세계유일의글로벌
개정 함 평점 환산점 평점 환산점 평점 환산점 평점 환산점 평점 환산점 평점 환산점 평점 환산점 4.50 100.0 4.00 94.3 3.50 88.6 3.00 82.9 2.50 77.1 2.00 71.4 1.50 65.7 4.49 99.9 3.99 94.2 3.49 88.5 2.99 82.7 2.49 77.0 1.99 71.3 1.49 65.6 4.48
R
R 과데이터분석 상관관계 양창모 청주교육대학교컴퓨터교육과 2015 년여름 양창모 ( 청주교육대학교컴퓨터교육과 ) Data Analysis using R 2015 년여름 1 / 20 상관관계 양적변수quantitative variables 사이의관계relationships를나타내기위하여상관계수correlation coefficients를사용한다. ± 기호를사용하여관계의방향을나타낸다.
제 호 년 제67차 정기이사회, 고문 자문위원 추대 총동창회 집행부 임원 이사에게 임명장 수여 월 일(일) 년 월 일(일) 제 역대 최고액 모교 위해 더 확충해야 강조 고 문:고달익( 1) 김병찬( 1) 김지훈( 1) 강보성( 2) 홍경식( 2) 현임종( 3) 김한주( 4) 부삼환( 5) 양후림( 5) 문종채( 6) 김봉오( 7) 신상순( 8) 강근수(10)
제 출 문 국민대통합위원회 위원장 귀하 이 보고서를 연구용역사업 공공갈등의 정치화 경로분석 및 대응방안 연구 과제의 최종보고서로 제출합니다. 2014년 12월 단국대학교 산학협력단장 박 성 완 II
공공갈등의 정치화 경로분석 및 대응방안 연구 2014. 12. 국민대통합위원회 제 출 문 국민대통합위원회 위원장 귀하 이 보고서를 연구용역사업 공공갈등의 정치화 경로분석 및 대응방안 연구 과제의 최종보고서로 제출합니다. 2014년 12월 단국대학교 산학협력단장 박 성 완 II 요 약 1 Ⅰ. 서론 6 1. 연구의 배경 및 목적 6 2. 연구의 범위
<C5C2BEC8B1BA20BFB5B9AEBDBDB7CEB0C72E687770>
태안군영문슬로건선정을위한기초연구 Ⅰ.. 1990. CI(City Identity).... - 1 - Ⅱ. 1. {. {. { {... 2. {. { (slogan). - ) ( ) { PR. - 2 - Ⅲ. 1. 2007 246 39% 95 61% 151 88% 55%. 148 30 [ 그림 ] 우리나라도시브랜드슬로건사례 - 3 - < 표 4-2> 지방자치단체도시브랜드슬로건개발현황
데이터 시각화
데이터시각화 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 데이터시각화 1 / 22 학습내용 matplotlib 막대그래프히스토그램선그래프산점도참고 박창이 ( 서울시립대학교통계학과 ) 데이터시각화 2 / 22 matplotlib I 간단한막대그래프, 선그래프, 산점도등을그릴때유용 http://matplotlib.org 에서설치방법참고윈도우의경우명령프롬프트를관리자권한으로실행한후아래의코드실행
2012회계연도 고용노동부 소관 결 산 검 토 보 고 서 세 입 세 출 결 산 일 반 회 계 농 어 촌 구 조 개 선 특 별 회 계 에 너 지 및 자 원 사 업 특 별 회 계 광 역 지 역 발 전 특 별 회 계 혁 신 도 시 건 설 특 별 회 계 기 금 결 산 고 용 보 험 기 금 산 업 재 해 보 상 보 험 및 예 방 기 금 임 금 채 권 보 장 기 금 장
<443A5CB1E8BFC144425CBAB8B0EDBCAD5CB4EBC7D0C7F5BDC5B0FAB0E6C0EFB7C228C3D6C1BE295F30353131322E2E2E>
연구보고서 2006. 1. 5. 대학혁신과 경쟁력 - 목 차 - Executive Summary 요약 Ⅰ. 문제제기...1 Ⅱ. 연구의 접근방법...9 Ⅲ. 시장환경 분석과 대학의 전략유형...16 Ⅳ. 사례대학 분석...29 Ⅴ. 성공모델의 도출...61 Ⅵ. 결론 및 시사점...150 참고문헌...158 작성 : 류지성 수석연구원(3780-8122) js123.ryu@samsung.com
LIDAR와 영상 Data Fusion에 의한 건물 자동추출
i ii iii iv v vi vii 1 2 3 4 Image Processing Image Pyramid Edge Detection Epipolar Image Image Matching LIDAR + Photo Cross correlation Least Squares Epipolar Line Matching Low Level High Level Space
PowerPoint Presentation
Clustering with Minitab oft Computing Lab Yonsei Univ. 공공전력사업체분석 데이터다운로드 방법 1. http://sclab.yonsei.ac.kr/dataset.zip 방법 2. http://sclab.yonsei.ac.kr/ -> Courses -> pecial lecture -> 삼성미니탭교육 -> 전체다운로드 FT
저작자표시 - 비영리 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 이차적저작물을작성할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물
저작자표시 - 비영리 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 이차적저작물을작성할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물을영리목적으로이용할수없습니다. 귀하는, 이저작물의재이용이나배포의경우, 이저작물에적용된이용허락조건을명확하게나타내어야합니다.
*통신1704_01-도비라및목차1~11
ISSN 2005-2693 2017. 4 통화신용정책보고서 2017. 4 2014 2015 2016 2.4 2.6 1.6 0.8 1.4 3.5 2.1 1.2 2.0 1.8 2.2 1.3 1.7 1.9 0.3 1.2 1.0 1.9 2.2 1.2 1.2 7.3 6.9 6.7 6.7 6.7 6.7 6.8 3.5 3.0 2.5 2.0 1.5 110
볼리비아-내지-01-1
Estado Plurinacional de Bolivia 볼리비아 개황 2016. 11 P L U R I N A T I O N A L S T A T E O F B O L I V I A / 6 I 7 P L U R I N A T I O N A L S T A T E O F B O L I V I A / 8 I 9 P L U R I N A T I O N A
KAGRO 9-10..
Officers Board of Directors President JuHan Kim Oregon Vice-President SeungSoo Le Philadelphia Vice-President BokKi Kim LosAngeles Vice-President ChulHee Yoo Georgia Vice-President ChoonBok Lee Washington
2015.08 ~ 2016.05 4 CONTENTS 19대 국회를 마치며... 사진으로 보는 의정활동... 4 6 Ⅰ. 19대 국회에서 김용익이 통과시킨 주요 법안... 25 Ⅱ. 19대 국회 대표발의 법안 & 주최 토론회 대표발의 법안 45건... 주최 토론회 91건... 36 43 Ⅲ. 보건복지위원회 2015년도 국정감사... 정진엽 보건복지부 장관 후보자
KAGRO 1-2¿ù
N A T I O N A L J O U- R- N- A ' January / February 2006 January / February 2006 Officers Board of Directors 6. President s Message President JuHan Kim Oregon Vice-President SeungSoo Le Philadelphia Vice-President
*통신1711_01-도비라및목차1~9
ISSN 2005-2693 2017. 11 2017. 11 2.6 2.9 1.5 2.8 1.8 1.2 3.1 1.3 2.0 1.8 1.9 2.5 2.2 2.6 0.3 1.1 1.0 0.9 1.6 1.2 2.5 7.3 6.9 6.7 6.7 6.8 6.9 6.9 3.5 3.0 2.5 2.0 1.5 130 1.0 120 110 100 90 80 70
저작자표시 - 비영리 - 변경금지 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물을영리목적으로이용할
저작자표시 - 비영리 - 변경금지 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물을영리목적으로이용할수없습니다. 변경금지. 귀하는이저작물을개작, 변형또는가공할수없습니다. 귀하는, 이저작물의재이용이나배포의경우,
통계적 학습(statistical learning)
통계적학습 (statistical learning) 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 통계적학습 (statistical learning) 1 / 33 학습내용 통계적학습목적 : 예측과추론방법 : 모수적방법과비모수적방법정확도와해석력지도학습과자율학습회귀와분류모형의정확도에대한평가적합도편의-분산의관계분류문제 박창이 ( 서울시립대학교통계학과
<C7D0B1B3C7F5BDC520BBE7B7CAB9DFB1BCB0FA20C8AEBBEAC0BB20C0A7C7D120B3D7C6AEBFF720B1B8C3E0B9E6BEC8BFACB1B828323030362D30362C20C0CEBCE2BABB292E687770>
정책연구 2005-06 학교혁신 사례 발굴과 확산을 위한 네트웍 구축 방안 연구 연구책임자: 서근원 대통령 자문 교육혁신위원회 학교혁신 사례 발굴과 확산을 위한 네트웍 구축 방안 연구 2005 년 12 월 20 일 연구진 연구책임자 : 서근원 ( 서울대학교 교육학과 강사 ) 공동연구자 : 서길원 ( 경기도 남한산초등학교 교사 ) 안순억 ( 경기도 남한산초등학교
13. 다차원척도법 (MultiDimensional Scaling) 13.1 개념및목적 다차원척도법 (mds) 는다차원관측값또는개체들간의거리 (distance) 또는비유사성 (dissimilarity) 을이용하여개체들을원래의차원보다낮은차원 ( 보통 2차원 ) 의공간상에
13. 다차원척도법 (MultiDimensional Scaling) 13.1 개념및목적 다차원척도법 (mds) 는다차원관측값또는개체들간의거리 (distance) 또는비유사성 (dissimilarity) 을이용하여개체들을원래의차원보다낮은차원 ( 보통 2차원 ) 의공간상에위치시켜 (spatial configuration) 개체들사이의구조또는관계를쉽게파악하고자하는데목적이있다.
<B3EDB4DC28B1E8BCAEC7F6292E687770>
1) 초고를읽고소중한조언을주신여러분들게감사드린다. 소중한조언들에도불구하고이글이포함하는오류는전적으로저자개인의것임을밝혀둔다. 2) 대표적인학자가 Asia's Next Giant: South Korea and Late Industrialization, 1990 을저술한 MIT 의 A. Amsden 교수이다. - 1 - - 2 - 3) 계량방법론은회귀분석 (regression)
1 경영학을 위한 수학 Final Exam 2015/12/12(토) 13:00-15:00 풀이과정을 모두 명시하시오. 정리를 사용할 경우 명시하시오. 1. (각 6점) 다음 적분을 구하시오 Z 1 4 Z 1 (x + 1) dx (a) 1 (x 1)4 dx 1 Solut
경영학을 위한 수학 Fial Eam 5//(토) :-5: 풀이과정을 모두 명시하시오. 정리를 사용할 경우 명시하시오.. (각 6점) 다음 적분을 구하시오 4 ( ) (a) ( )4 8 8 (b) d이 성립한다. d C C log log (c) 이다. 양변에 적분을 취하면 log C (d) 라 하자. 그러면 d 4이다. 9 9 4 / si (e) cos si
???? 1
The Korean Journal of Applied Statistics (2012) 25(3), 471 483 DOI: http://dx.doi.org/10.5351/kjas.2012.25.3.471 A Variable Selection Procedure for K-Means Clustering Sung-Soo Kim 1 1 Department of Information