PowerPoint Presentation
|
|
|
- 대성 종
- 5 years ago
- Views:
Transcription
1 데이터전처리 Data Preprocessing
2 09 연관분석 (Association Analysis)
3 목차 1. 연관규칙 2. 빈발항목집합생성 3. 연관규칙생성 4. 빈발항목집합표현 5. 연관패턴평가 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 3
4 1. 연관규칙
5 연관규칙마이닝 트랜잭션집합이주어지면, 트랜잭션에서다른항목들의발생을기반으로항목의발생을예측하는규칙찾기 시장-바구니거래Market-Basket transactions TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke 연관규칙의예 {Diaper} {Beer}, {Milk, Bread} {Eggs,Coke}, {Beer, Bread} {Milk}, 함축 Implication 은공동출현을의미하며, 인과관계 causality 를의미하지않음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 5
6 정의 : 빈발항목집합Frequent Itemset 항목집합 Itemset 하나이상의항목모음 예 : {Milk, Bread, Diaper} k- 항목집합 k-itemset : k 개항목들이포함된항목집합 지지횟수 Support count ( ) 항목집합의출현빈도 예 : ({Milk, Bread, Diaper}) = 2 TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke 지지도 Support 항목집합을포함하는트랜잭션의비율 예 : s({milk, Bread, Diaper}) = 2/5 빈발항목집합Frequent Itemset minsup 임계값보다크거나같은항목집합 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 6
7 정의 : 연관규칙Association Rule 연관규칙Association Rule X Y 형식의함축적표현식, 여기서 X 와 Y 는항목집합 예제 : {Milk, Diaper} {Beer} 규칙평가척도Rule Evaluation Metrics 지지도 Support (s): X 와 Y 모두를포함하는트랜잭션의비율 신뢰도 Confidence (c): X 가포함된트랜잭션에서 Y 에있는항목이나타나는빈도측정 TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke 예제 : Milk, Diaper Beer s = c = σ Milk, Diaper, Beer T σ Milk, Diaper, Beer σ Milk, Diaper = 2 5 = 0.4 = 2 3 = 0.67 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 7
8 연관규칙마이닝작업 트랜잭션집합 T 가주어질때, 연관규칙마이닝의목표는다음조건을갖는모든규칙을찾는것 support minsup 임계값 confidence minconf 임계값 무차별대입접근 Brute-force approach : 가능한모든연관규칙나열 각규칙에대한지지도와신뢰도계산 minsup 와 minconf 임계값에포함안된규칙삭제 계산금지Computationally prohibitive 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 8
9 계산복잡도 주어진 d 개의고유항목 : 총항목집합의수 = 2 d 가능한연관규칙의전체수 : d 1 R = k=1 d k = 3 d 2 d d k j=1 만약 d = 6 이면, R = 602 규칙 d k j 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 9
10 마이닝연관규칙 규칙예제 : {Milk,Diaper} {Beer} (s=0.4, c=0.67) {Milk,Beer} {Diaper} (s=0.4, c=1.0) {Diaper,Beer} {Milk} (s=0.4, c=0.67) {Beer} {Milk,Diaper} (s=0.4, c=0.67) {Diaper} {Milk,Beer} (s=0.4, c=0.5) {Milk} {Diaper,Beer} (s=0.4, c=0.5) TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke 관찰 Observations : 위에모든규칙은동일한항목집합 {Milk, Diaper, Beer} 의이진분할binary partitioning 같은항목집합에서비롯된규칙은동일한지지도를갖지만다른신뢰도를가질수있음 따라서, 지지도와신뢰도요구사항을분리할수있음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 10
11 마이닝연관규칙 2 단계접근 : 빈발항목집합생성 : support minsup 인모든항목집합생성 규칙생성 : 각빈발항목집합에서높은신뢰규칙생성, 여기서각규칙은빈발항목집합의이진분할 빈발항목집합생성은여전히계산적으로비용이높음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 11
12 2. 빈발항목집합생성
13 빈발항목집합생성 null A B C D E AB AC AD AE BC BD BE CD CE DE ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE ABCD ABCE ABDE ACDE BCDE ABCDE d 개의항목이주어지면, 가능한후보항목집합이 2 d 개 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 13
14 빈발항목집합생성 무차별대입접근 Brute-force approach : 격자의각항목집합은빈발항목집합후보 데이터베이스를스캔하여각후보의지지횟수계산 모든후보와각트랜잭션을매치 복잡도 ~ O(NMw) => M = 2 d 이므로비쌈 N Transactions TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke w List of Candidates M 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 14
15 빈발항목집합생성전략 후보수감소 (M) 완전한검색 : M=2 d 가지치기 pruning 기술을사용하여 M 을감소 트랜잭션수감소 (N) 항목집합의크기가커짐에따라 N 의크기감소 DHP 및수직기반마이닝알고리즘이사용됨 비교횟수감소 (NM) 효율적인데이터구조를사용하여후보또는트랜잭션저장 모든트랜잭션과모든후보들을매치할필요는없음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 15
16 후보수감소 Apriori 원리 : 항목집합이빈발하게있는경우모든부분집합도빈발해야함 Apriori 원리는다음과같은지지도값특성에따라유지 항목집합의지지도는부분집합의지지도를결코초과하지않음 지지도의안티-모노톤 anti-monotone 특성으로알려져있음 X, Y : ( X Y ) s( X ) s( Y ) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 16
17 Apriori 원리설명 null A B C D E AB AC AD AE BC BD BE CD CE DE 빈번하지않게발견 ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE ABCD ABCE ABDE ACDE BCDE 제거된상위집합 ABCDE 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 17
18 Apriori 원리설명 TID Items 1 Bread, Milk 2 Beer, Bread, Diaper, Eggs 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Bread, Coke, Diaper, Milk Items (1-itemsets) Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = 16 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 18
19 Apriori 원리설명 TID Items 1 Bread, Milk 2 Beer, Bread, Diaper, Eggs 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Bread, Coke, Diaper, Milk Items (1-itemsets) Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = 16 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 19
20 Apriori 원리설명 Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = 16 Items (1-itemsets) Itemset {Bread,Milk} {Bread,Beer} {Bread,Diaper} {Milk,Beer} {Milk,Diaper} {Beer,Diaper} Pairs (2-itemsets) (Coke 또는 Eggs 가포함된후보들을생성할필요없음 ) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 20
21 Apriori 원리설명 Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = 16 Items (1-itemsets) Itemset Count {Bread,Milk} 3 {Bread,Beer} 2 {Bread,Diaper} 3 {Milk,Beer} 2 {Milk,Diaper} 3 {Beer,Diaper} 3 Pairs (2-itemsets) (Coke 또는 Eggs 가포함된후보들을생성할필요없음 ) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 21
22 Apriori 원리설명 Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = 16 Items (1-itemsets) Itemset Count {Bread,Milk} 3 {Bread,Beer} 2 {Bread,Diaper} 3 {Milk,Beer} 2 {Milk,Diaper} 3 {Beer,Diaper} 3 Itemset {Beer, Diaper, Milk} {Beer,Bread, Diaper} {Bread, Diaper, Milk} {Beer, Bread, Milk} Pairs (2-itemsets) (Coke 또는 Eggs 가포함된후보들을생성할필요없음 ) Triplets (3-itemsets) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 22
23 Apriori 원리설명 Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, 6C C C = 41 지지도기반가지치기 support-based pruning, = Items (1-itemsets) Itemset Count {Bread,Milk} 3 {Bread,Beer} 2 {Bread,Diaper} 3 {Milk,Beer} 2 {Milk,Diaper} 3 {Beer,Diaper} 3 Itemset {Beer, Diaper, Milk} {Beer,Bread, Diaper} {Bread, Diaper, Milk} {Beer, Bread, Milk} Pairs (2-itemsets) (Coke 또는 Eggs 가포함된후보들을생성할필요없음 ) Triplets (3-itemsets) Count 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 23
24 Apriori 알고리즘 F k : 빈발 k- 항목집합 L k : 후보 k- 항목집합 1. k=1 2. F 1 = { 빈발 1- 항목집합 } 생성 3. F k 가없을때까지반복 후보생성 Candidate Generation : F k 에서 L k+1 생성 후보가지치기 Candidate Pruning : 빈발하지않는길이가 k 인부분집합을포함한 L k+1 에있는후보항목집합을가지치기 지지도계산 Support Counting : DB 를스캔하여 L k+1 의각후보지지도계산 후보제거 Candidate Elimination : L k+1 에서빈발하지않는후보제거, frequent => F k+1 인것만남김 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 24
25 후보생성 Candidate Generation : 무차별대입방법Brute-force method 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 25
26 후보생성 Candidate Generation : F k-1 and F 1 항목집합합병 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 26
27 후보생성 Candidate Generation : F k-1 x F k-1 방법 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 27
28 후보생성 Candidate Generation : F k-1 x F k-1 방법 첫번째 (k-2) 항목이동일한경우두개의빈발 (k-1) 항목집합을병합 F 3 = {ABC,ABD,ABE,ACD,BCD,BDE,CDE} Merge(ABC, ABD) = ABCD Merge(ABC, ABE) = ABCE Merge(ABD, ABE) = ABDE 길이 2 대신길이 1 의접두사 prefix 만공유하므로 (ABD, ACD) 는병합하지않음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 28
29 후보제거Candidate Pruning F 3 = {ABC,ABD,ABE,ACD,BCD,BDE,CDE} 빈발 3- 항목집합의집합 L 4 = {ABCD,ABCE,ABDE} 이전에생성된 4- 항목집합후보의집합 후보가지치기 ACE와 BCE가빈발하지않으므로 ABCE 가지치기 ADE가빈발하지않으므로 ABDE 가지치기 후보가지치기후 : L 4 = {ABCD} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 29
30 대체 F k-1 x F k-1 방법 첫번째항목의마지막 (k-2) 항목이두번째항목의첫번째 (k-2) 항목과동일한경우두개의빈발 (k-1)- 항목집합을병합 F 3 = {ABC,ABD,ABE,ACD,BCD,BDE,CDE} Merge(ABC, BCD) = ABCD Merge(ABD, BDE) = ABDE Merge(ACD, CDE) = ACDE Merge(BCD, CDE) = BCDE 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 30
31 대체 F k-1 x F k-1 방법을위한후보제거 F 3 = {ABC,ABD,ABE,ACD,BCD,BDE,CDE} 는빈발 3- 항목집합의집합 L 4 = {ABCD,ABDE,ACDE,BCDE} 이전에생성된 4- 항목집합후보의집합 후보가지치기 ADE가빈발하지않으므로 ABDE 가지치기 ACE와 ADE가빈발하지않으므로 ACDE 가지치기 BCE 때문에 BCDE 가지치기 후보가지치기후 : L 4 = {ABCD} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 31
32 Apriori 원리설명 Item Count Bread 4 Coke 2 Milk 4 Beer 3 Diaper 4 Eggs 1 최소지지도 Minimum Support = 3 만약모든하위집합이고려되면, Items (1-itemsets) Itemset Count {Bread,Milk} 3 {Bread,Beer} 2 {Bread,Diaper} 3 {Milk,Beer} 2 {Milk,Diaper} 3 {Beer,Diaper} 3 Itemset Pairs (2-itemsets) (Coke 또는 Eggs 가포함된후보들을생성할필요없음 ) Triplets (3-itemsets) Count 6C C C = 41 {Bread, Diaper, Milk} 2 지지도기반가지치기 support-based pruning, 후보생성을위해 F k-1 xf k-1 방법을사용하면하나의 3-항목집합만생성. 이는지지도계산단계후에제거 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 32
33 후보항목집합의지지도계산 트랜잭션데이터베이스스캔으로각후보항목집합의지지도결정 모든트랜잭션에대해모든후보항목집합을일치시켜야함 ( 매우비싼연산 ) TID Items 1 Bread, Milk 2 Beer, Bread, Diaper, Eggs 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Bread, Coke, Diaper, Milk Itemset { Beer, Diaper, Milk} { Beer,Bread,Diaper} {Bread, Diaper, Milk} { Beer, Bread, Milk} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 33
34 후보항목집합의지지도계산 비교횟수를줄이기위해, 후보항목집합을해시구조에저장 모든후보에대해각트랜잭션을대조하는대신에해시버킷에포함된후보와대조 Transactions Hash Structure N TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke k Buckets 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 34
35 지지도계산 : 예제 길이 3 의후보항목집합 15 개가있다고가정 : {1 4 5}, {1 2 4}, {4 5 7}, {1 2 5}, {4 5 8}, {1 5 9}, {1 3 6}, {2 3 4}, {5 6 7}, {3 4 5}, {3 5 6}, {3 5 7 }, {6 8 9}, {3 6 7}, {3 6 8} 트랜잭션 (1,2,3,5,6) 에서얼마나많은항목집합을지원할까? Level 1 Level 2 Transaction, t Level 3 Subsets of 3 items 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 35
36 해시트리를사용한지지도계산 길이 3 의후보항목집합 15 개가있다고가정 : {1 4 5}, {1 2 4}, {4 5 7}, {1 2 5}, {4 5 8}, {1 5 9}, {1 3 6}, {2 3 4}, {5 6 7}, {3 4 5}, {3 5 6}, {3 5 7}, {6 8 9}, {3 6 7}, {3 6 8} 필요요소 해시함수 최대리프크기 : 리프노드에저장된항목집합의최대개수 ( 후보항목집합수가최대리프크기를초과하는경우노드분할 ) 해시함수 1,4,7 3,6,9 2,5, 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 36
37 해시트리를사용한지지도계산 해시함수 후보해시트리 1,4,7 3,6,9 2,5,8 1, 4, 또는 7 해시 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 37
38 해시트리를사용한지지도계산 해시함수 후보해시트리 1,4,7 3,6,9 2,5,8 2, 5, 또는 8 해시 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 38
39 해시트리를사용한지지도계산 해시함수 후보해시트리 1,4,7 3,6,9 2,5,8 3, 6, 또는 9 해시 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 39
40 해시트리를사용한지지도계산 트랜잭션 해시함수 ,4,7 3,6, ,5, 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 40
41 해시트리를사용한지지도계산 트랜잭션 해시함수 ,4,7 2,5,8 3,6, 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 41
42 해시트리를사용한지지도계산 트랜잭션 해시함수 ,4,7 2,5,8 3,6, 개후보중에서 11개와트랜잭션매치 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 42
43 3. 연관규칙생성
44 규칙생성 빈발항목집합 L 이주어지면, f L f 가최소지지도요구사항을만족하도록비어있지않은모든부분집합 f L 을찾음 {A,B,C,D} 가빈발항목집합일때, 후보규칙 : ABC D, ABD C, ACD B, BCD A, A BCD, B ACD, C ABD, D ABC AB CD, AC BD, AD BC, BC AD, BD AC, CD AB, L = k 이면, 2k 2 개의후보결합규칙 (L 과 L 무시 ) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 44
45 규칙생성 일반적으로신뢰도에는안티 - 모노톤 anti-monotone 속성이없음 c(abc D) 는 c(ab D) 보다크거나작을수있음 그러나동일항항목집합으로부터생성된규칙의신뢰도에는안티 - 모노톤속성이있음 예 : {A,B,C,D} 는빈발 4- 항목집합이라가정 : c(abc D) c(ab CD) c(a BCD) 신뢰도는규칙의 RHS 에있는항목의수와관련하여안티 - 모노톤 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 45
46 Apriori 알고리즘을위한규칙생성 규칙의격자 ABCD=>{ } 낮은신뢰규칙 BCD=>A ACD=>B ABD=>C ABC=>D CD=>AB BD=>AC BC=>AD AD=>BC AC=>BD AB=>CD 가지치기된규칙 D=>ABC C=>ABD B=>ACD A=>BCD 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 46
47 Apriori 복잡성에영향을미치는요인 최소지지도임계값선택 지지도임계값을낮추면항목집합의빈도가높아짐 후보의수와빈발항목집합의최대길이를증가시킬수있음 데이터집합의차원 ( 항목의수 ) 각항목의지지도횟수를저장하는데더많은공간필요 빈발항목의수가증가하면, 계산및입출력비용도증가할수있음 데이터베이스크기 Apriori 가다중패스 multiple passes 를하기때문에알고리즘의실행시간이트랜잭션의수에따라증가할수있음 평균트랜잭션너비 밀집한데이터집합과함께트랜잭션너비증가 빈발항목집합과해시트리의순회를증가시킬수있음 ( 트랜잭션의부분집합수는너비에따라증가 ) 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 47
48 Apriori 복잡성에영향을미치는요인 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 48
49 4. 빈발항목집합표현
50 빈발항목집합의간결한표현 일부항목집합은상위집합 supersets 과동일한지지도를가지기때문에중복 TID A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 C1 C2 C3 C4 C5 C6 C7 C8 C9 C 빈발항목집합의수 간결한표현이필요 = 10 = 3 10 k 1 k 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 50
51 최대빈발항목집합Maximal Frequent Itemset 항목집합은자주발생하고바로자기상위집합의어느것도빈번하지않은경우최대빈도 null Maximal Itemsets A B C D E AB AC AD AE BC BD BE CD CE DE ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE ABCD ABCE ABDE ACDE BCDE Infrequent Itemsets ABCD E Border 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 51
52 이데이터의최대빈발항목집합은무엇인가? TID A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 C1 C2 C3 C4 C5 C6 C7 C8 C9 C Minimum support threshold = 5 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 52
53 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 53
54 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 54
55 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 55
56 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 56
57 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 지지도임계값 (by count) : 3 빈발항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 57
58 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 지지도임계값 (by count) : 3 빈발항목집합 : {C,D,E,F}+{J} 의모든부분집합 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 58
59 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 최대항목집합 :? 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 최대항목집합 :? 지지도임계값 (by count) : 3 빈발항목집합 : {C,D,E,F}+{J} 의모든부분집합최대항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 59
60 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 최대항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 최대항목집합 :? 지지도임계값 (by count) : 3 빈발항목집합 : {C,D,E,F}+{J} 의모든부분집합최대항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 60
61 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 최대항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 최대항목집합 : {E,F},{J} 지지도임계값 (by count) : 3 빈발항목집합 : {C,D,E,F}+{J} 의모든부분집합최대항목집합 :? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 61
62 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 빈발항목집합 : {F} 최대항목집합 : {F} 지지도임계값 (by count) : 4 빈발항목집합 : {E},{F},{E,F},{J} 최대항목집합 : {E,F},{J} 지지도임계값 (by count) : 3 빈발항목집합 : {C,D,E,F}+{J} 의모든부분집합최대항목집합 : {C,D,E,F},{J} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 62
63 실제예제 Transactions Items A B C D E F G H I J 지지도임계값 (by count) : 5 최대항목집합 : {A}, {B}, {C} 지지도임계값 (by count) : 4 최대항목집합 : {A,B},{A,C},{B,C} 지지도임계값 (by count) : 3 최대항목집합 : {A,B,C} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 63
64 닫힌항목집합Closed Itemset 항목집합 X 의상위집합중어느것도 X 와동일한지지도횟수를가지지않으면, 항목집합 X 는닫혀있음 직접상위집합중적어도하나이상에 X 의지지도횟수를가지면 X 는닫히지않음 TID Items 1 {A,B} 2 {B,C,D} 3 {A,B,C,D} 4 {A,B,D} 5 {A,B,C,D} Itemset Support {A} 4 {B} 5 {C} 3 {D} 4 {A,B} 4 {A,C} 2 {A,D} 3 {B,C} 3 {B,D} 4 {C,D} 3 Itemset Support {A,B,C} 2 {A,B,D} 3 {A,C,D} 2 {B,C,D} 2 {A,B,C,D} 2 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 64
65 최대 Maximal vs 닫힌항목집합Closed Itemsets TID Items 1 ABC 2 ABCD 3 BCE 4 ACDE 5 DE null Transaction Ids A B C D E AB AC AD AE BC BD BE CD CE DE ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE 2 4 ABCD ABCE ABDE ACDE BCDE Not supported by any transactions ABCDE 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 65
66 최대 Maximal vs 닫힌항목집합Closed Itemsets Minimum support = 2 null Closed but not maximal A B C D E Closed and maximal AB AC AD AE BC BD BE CD CE DE ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE 2 4 ABCD ABCE ABDE ACDE BCDE # Closed = 9 # Maximal = 4 ABCDE 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 66
67 이데이터의닫힌항목집합은무엇인가? TID A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 C1 C2 C3 C4 C5 C6 C7 C8 C9 C 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 67
68 예제 1 Transactions Items A B C D E F G H I J Itemsets {C} 3 {D} 2 {C,D} 2 Support (counts) Closed itemsets 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 68
69 예제 1 Transactions Items A B C D E F G H I J Itemsets Support (counts) {C} 3 {D} 2 {C,D} 2 Closed itemsets 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 69
70 예제 2 Transactions Items A B C D E F G H I J Itemsets {C} 3 {D} 2 {E} 2 {C,D} 2 {C,E} 2 {D,E} 2 {C,D,E} 2 Support (counts) Closed itemsets 9 10 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 70
71 예제 2 Transactions Items A B C D E F G H I J Itemsets Support (counts) {C} 3 {D} 2 {E} 2 {C,D} 2 {C,E} 2 {D,E} 2 {C,D,E} 2 Closed itemsets 9 10 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 71
72 예제 3 Transactions Items A B C D E F G H I J Closed itemsets: {C,D,E,F}, {C,F} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 72
73 예제 4 Transactions Items A B C D E F G H I J Closed itemsets: {C,D,E,F}, {C}, {F} 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 73
74 최대 Maximal vs 닫힌항목집합Closed Itemsets Frequent Itemsets Closed Frequent Itemsets Maximal Frequent Itemsets 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 74
75 예제질문 트랜잭션데이터집합 ( 어두운셀은트랜잭션에서항목이있음을나타냄 ) 과 20% 지지도임계값이주어진다면, 다음질문에답하시오 각데이터집합의빈항목집합의수? 어떤데이터집합이가장자주항목집합을생성하나? 어떤데이터집합이가장빈번하게항목집합을생성하나? 어떤데이터집합이최대지지도가가장높은빈발항목집합을생성하나? 어떤데이터집합이다양한지원수준 ( 즉, 20% 에서 70% 이상까지범위의지지도를갖는항목을포함하는항목집합 ) 을포함하는빈발항목집합을생성하나? 각데이터집합에대한최대빈발항목집합의수? 어떤데이터집합이최대빈발항목집합을생성하나? 각데이터집합에대해닫힌빈발항목집합의수? 어떤데이터집합이닫힌빈발항목집합을가장많이생성하나? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 75
76 5. 연관패턴평가
77 패턴평가Pattern Evaluation 연관규칙알고리즘은많은수의규칙을생성할수있음 유용성척도 Interestingness Measures 를사용하여패턴을잘라내거나순위를매길수있음 원래공식에서사용된유일한척도는지지도와신뢰도 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 77
78 유용성척도 Interestingness Measures 계산 주어진 X Y 또는 {X,Y}, 유용성을계산하는데필요한정보는분할표 contingency table 에서얻을수있음 분할표 Y Y X f 11 f 10 f 1+ X f 01 f 00 f o+ f +1 f +0 N f 11 : support of X and Y f 10 : support of X and Y f 01 : support of X and Y f 00 : support of X and Y 다양한측정값을정의하는데사용 support, confidence, Gini, entropy, etc. 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 78
79 신뢰도의결점 Custo mers Tea Coffee C1 0 1 C2 1 0 C3 1 1 C4 1 0 Association Rule: Tea Coffee Coffee Coffee Tea Tea Confidence P(Coffee Tea) = 15/20 = 0.75 Confidence > 50%, 차를마시는사람들은커피를마시지않는것보다커피를마시는경향이있음을의미 규칙은합리적으로보임 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 79
80 신뢰도의결점 Coffee Coffee Tea Tea Association Rule: Tea Coffee Confidence= P(Coffee Tea) = 15/20 = 0.75 그러나 P(Coffee) = 0.9, 이는사람이차를마시는것이사람이커피를마실가능성을줄인다는것을의미 P(Coffee Tea) ` = 75/80 = 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 80
81 연관규칙측정 우리가정말로원하는규칙은무엇인가? 신뢰도 (X Y) 는충분히높아야함 X 를사는사람들이 Y 를사지않는것보다 Y 를살가능성을높이기위해 신뢰도 (X Y) > 지지도 (Y) 그렇지않으면규칙 X가실제로동일한트랜잭션에서항목 Y를가질기회를줄이므로규칙이오해가됨 이제한을포착하는어떤측정이있는가? 답변 : 많이있음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 81
82 통계적독립성Statistical Independence 기준 confidence(x Y) = support(y) 는다음과같음 : P(Y X) = P(Y) P(X,Y) = P(X) P(Y) If P(X,Y) > P(X) P(Y) : X & Y 는양의상관관계가있음 If P(X,Y) < P(X) P(Y) : X & Y 는음의상관관계가있음 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 82
83 통계적의존성을고려한측정 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 83 )] ( )[1 ( )] ( )[1 ( ) ( ) ( ), ( ) ( ) ( ), ( ) ( ) ( ), ( ) ( ) ( Y P Y P X P X P Y P X P Y X P coefficient Y P X P Y X P PS Y P X P Y X P Interest Y P X Y P Lift = = = = 항목집합에관심이있는동안리프트 lift 가규칙에사용
84 예제 : Lift/Interest Coffee Coffee Tea Tea Association Rule: Tea Coffee 신뢰도 = P(Coffee Tea) = 0.75 그러나 P(Coffee) = 0.9 Lift = 0.75/0.9= (< 1, 따라서부정적으로연관됨 ) 그래서가지치기를위해 confidence/lift를사용하는것으로충분한가? 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 84
85 Lift 또는 Interest Y Y X X Y Y X X Lift = = Lift = = (0.1)(0.1) (0.9)(0.9) 통계적독립성 : If P(X,Y)=P(X)P(Y) => Lift = 1 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 85
86 문헌에제시된많은측정법 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 86
87 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 87
chap6_basic_association_analysis PART2 ver2
Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 6 1 Contents Rule Generation 2 Rule Generation from frequent itemset Given a frequent itemset L, find all non-empty
chap6_basic_association_analysis PART1 ver2
Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 6 Contents Association Rule Mining 2 Association Rule Mining Given a set of transactions, find rules that will
PowerPoint 프레젠테이션
2017 년가을학기 손시운 (ssw5176@kangwon.ac.kr) 지도교수 : 문양세교수님 Basic of Association Rules Association Rule 다른데이터로부터어떤데이터의발생을예측하는규칙 데이터간의연관성및상관관계를표현하는규칙 A B (A와 B는각각데이터의부분집합 ) A 를 lhs (left-hand side), B 를 rhs (right-hand
10-2 삼각형의닮음조건 p270 AD BE C ABC DE ABC 중 2 비상 10, 11 단원도형의닮음 (& 활용 ) - 2 -
10 단원 : 도형의닮음 10-1 닮음도형 p265 ABC DEF ABC DEF EF B ABCD EFGH ABCD EFGH EF A AB GH ADFC CF KL 중 2 비상 10, 11 단원도형의닮음 (& 활용 ) - 1 - 10-2 삼각형의닮음조건 p270 AD BE C ABC DE ABC 중 2 비상 10, 11 단원도형의닮음 (& 활용 ) - 2 -
<근대이전> ⑴ 문명의 형성과 고조선의 성립 역사 학습의 목적, 선사 문화의 발전에서 국가 형성까지를 다룬다. 역사가 현재 우리의 삶과 긴밀하게 연결되었음을 인식하고, 역사적 상상력을 바탕으 로 선사 시대의 삶을 유추해 본다. 세계 여러 지역에서 국가가 형성되고 문 명
2009년 개정 교육과정에 따른 교과 교육과정 적용을 위한 중학교 역사 교과서 집필 기준 ⑴ 문명의 형성과 고조선의 성립 역사 학습의 목적, 선사 문화의 발전에서 국가 형성까지를 다룬다. 역사가 현재 우리의 삶과 긴밀하게 연결되었음을 인식하고, 역사적 상상력을 바탕으 로 선사 시대의 삶을 유추해 본다. 세계 여러 지역에서 국가가 형성되고 문 명이
경제학 최종마무리 박 태 천 편저 미시경제학 3 경제학의 기초 및 수요공급이론 제1회 01 기회비용에 대한 서술로서 가장 옳지 않은 것은? 1 욕구충족에 아무런 제약이 없으면 기회비용이 생기지 않는다. 2 예금하지 않은 현금의 보유에 따른 기회비용은 예금으로부터의 이자소득이다. 3 의무교육제도 아래서 무상교육은 개인적으로는 무료이지만,사회적으로는 기회비용이
Steven F. Ashby Center for Applied Scientific Computing Month DD, 1997
Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 7 1 Contents 범주형 / 연속형속성처리 2 10 범주형 / 연속형속성 지금까지 asymmetric binary variables 에대한연관분석을공부함 이제 categorical / continuous
Microsoft PowerPoint - Analyze
곡률 (Curvature) 이있는경우의예 543 곡률 (Curvature) 이없는경우의예 H.W.#5 544 실험설계 (DOE) 부분요인설계 (Fractional Factorial Designs) 참조파일 : I_Two.mtw Variance.mtw 545 부분요인실험 요인의수가증가하면, 완전요인실험에서 Run의수가급격히증가한다 2요인 2수준 : 2 2 =
Introduction to Statistics (Fall, 2018) Chapter 2 Introduction to Probability Chapter 2 Introduction to Probability 2.1 Overview 확률 ( 론 ) 은우연에따라좌우되는게임
2.1 Overview 확률 ( 론 ) 은우연에따라좌우되는게임 ( 주사위, 동전, 카드, ) 에서특정사건의 발생가능성을수량화하기위하여탄생 (1) 한개의주사위를 5 번던지는실험에서결과 : 모집단 {1, 2, 3, 4, 5, 6} 에서단순임의복원추출 (simple random sampling with replacement) 을이용해 5 개의표본을추출하는것 > sample(1:6,
2005년 6월 고1 전국연합학력평가
제 1 교시 2015학년도 9월 모평 대비 EBS 리허설 2차 국어 영역(B형) 김철회의 1등급에 이르게 해 주는 [보기] 활용 문제 미니 모의고사(문학편) 1 유형편 [1]다음 글을 읽고 물음에 답하시오. 1. 를 참고하여 (가)를 이해할 때, 적절하지 않은 것은? (가) 머리는 이미 오래 전에 잘렸다 / 전깃줄에 닿지 않도록 올해는 팔다리까지 잘려
PowerPoint Presentation
5 불대수 IT CookBook, 디지털논리회로 - 2 - 학습목표 기본논리식의표현방법을알아본다. 불대수의법칙을알아본다. 논리회로를논리식으로논리식을논리회로로표현하는방법을알아본다. 곱의합 (SOP) 과합의곱 (POS), 최소항 (minterm) 과최대항 (mxterm) 에대해알아본다. 01. 기본논리식의표현 02. 불대수법칙 03. 논리회로의논리식변환 04.
(01-16)유형아작중1-2_스피드.ps
01 p.10 0001 000 61 0003 4 8 3 4 5 7 4 3 3 3 6 8 9 5 1 1 3 7 9 6 0 1 0004 4 0005 0006 3 0007 6 0008 30 0009 3 19 0010 10 ~14 14 ~18 9 18 ~1 11 1 ~16 4 16 ~0 4 30 0011 160 cm 170 cm 001 10 cm 5 0013 135
A n s w e r 4 0 0 20 13 40 13 14 1 13 14 15 16 17 20 % 13 13 5 13 2 47.0 ml 55.0 15.0 13 14 15 5.0 g/cm 1.8 kg B E A C 13 14 LNGLPGLNG LPG 15 << 13 A<
우공비Q 과학 2 (하) 정답 및 채움해설 빠른 정답 찾기 2~4 Ⅴ. 물질의 특성 1. 물질의 특성 ⑴ 5 2. 물질의 특성 ⑵ 9 3. 혼합물의 분리 13 Ⅵ. 일과 에너지 전환 4. 일 21 5. 에너지 27 Ⅶ. 자극과 반응 6. 감각 기관 39 7. 신경계 44 8. 항상성 48 13강 일차방정식의 풀이 1 A n s w e r 4 0 0 20 13
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,
2004math2(c).PDF
3 2004 1,,,, 2 1 1. LCD ( )? () ( ) 2. 100 () () 3. < > (1) (2) (3) ( ) < > < >(1)(3) < > (), (3)< >()? ()... () A. B. C. (3), A, B, A, B, C 4. (), () < >? < >? [2]..,.,,,,,...,,,,, 2 5. < > (1), (2) (3)
歯Ky2002w.PDF
1 geometry geometrein (geo :, metrein : )., (thles of miletus),.. < >,. 17 18. (nlytic geometry ),. 17. 18 2. 18 (differentil geometry ). 19 (priori) (non- eucliden geometry ),,,. 2 E 2 3 E 3. E 2 E 3
( )EBS문제집-수리
www.ebsi.co.kr 50 024 www.ebsi.co.kr 025 026 01 a 2 A={ } AB=2B 1 4 B a 03 æ10 yæ10 y 10000 y (log )( log y) Mm M+m 3 5 7 9 11 02 { -2 1} f()=-{;4!;} +{;2!;} +5 Mm Mm -21-18 -15-12 -9 04 a =1a«+a«=3n+1(n=1,
Ⅴ.피타코라스2(P128-139)
2 1. > 2. 7 230 m 185 m 2. 1 ab ABCD BD x BCD x =a +b x>0 x="a +b a "a +a ="2ça ='2a 129 (1) 4cm5cm "4 +5 ='1ƒ6+25='4å1 (cm) (2) 4cm '2_4=4'2 (cm) 1 x (1) (2) 45 1 BC =CA =a ABC AB BC CA AB =BC +CA =a
PowerPoint Presentation
5 불대수 Http://RAIC.kunsn..kr 2 학습목표 마스터제목스타일편집 기본논리식의표현방법을알아본다. 불대수의법칙을알아본다. 논리회로를논리식으로논리식을논리회로로표현하는방법을알아본다. 곱의합 (SOP) 과합의곱 (POS), 최소항 (minterm) 과최대항 (mxterm) 에대해알아본다. 01. 기본논리식의표현 02. 불대수법칙 03. 논리회로의논리식변환
3 g.06 g > 3.06>3 < 3+.06< { }< 1 1,.,
,.,. 7 86 0 70 7 7 7 74 75 76 77 78 79 70 7 7 7 75 74 7 7 7 70 79 78 77 76 75 74 7.,. x, x A(x ), B(x ) x x AB =x -x A{x } B{x } x >x AB =x -x B{x } A{x } x =[ -x(xæ0) -x (x
: C, Y, =0, (Crook et al.(2007) ) ( ) 1 2 3 4 5 966 967 967 967 967 4,834 234 383 462 516 508 2,103 (A) 1 661 1,629 2,623 3,802 7,613 3,806 1,040 1,636 2,175 2,788 4,193 2,629 (B) 2,128 2,676 3,492
Microsoft PowerPoint - 26.pptx
이산수학 () 관계와그특성 (Relations and Its Properties) 2011년봄학기 강원대학교컴퓨터과학전공문양세 Binary Relations ( 이진관계 ) Let A, B be any two sets. A binary relation R from A to B, written R:A B, is a subset of A B. (A 에서 B 로의이진관계
<C3D1C1A4B8AE20303120B0E6BFECC0C720BCF620323030B9AE2E687770>
1. 1. 1) 1. 경우의 수 주사위를 한 개를 던질 때, 다음 경우의 수 (1) 소수 4. 4. 4) 집에서 학교로 가는 버스는 3 개 노선, 지하철은 4 개 노선이 있다. 버스나 지하철을 이용하여 집 에서 학교로 가는 방법은 모두 몇 가지인가? (2) 5의 약수 2. 2. 2) 1~10 숫자에서 하나를 뽑을때, (1) 3의 배수 경우의수 5. 5. 5)
1 11 111 111-1 p, q, r A, B, C (1 p 2004math2(a).PDF
3 2004 1..,,,..,. 2. 1.. 1.. LCD ( )? () ( ) 2. 100. () () 3... < > (1). (2). (3) ( ) < > < >(1)(3). < > (), (3)< >()? ()... () A.. B.. C.. (3), A, B, A, B, C 4. (), (). < >? < >? [2] ..,.,,,,,
1
절대수학 검은 대장간 인문 Blacksmith Day 1 최석호 1. 그림과 같이 A B C D E의 다섯 개의 영역에 빨강, 노랑, 파 랑, 초록의 네 가지 색으로 색칠을 하려고 한다. 네 가지 색 중 한 색 은 두 번 사용하고 나머지 세 가지 색은 한 번씩만 사용하여 칠하는 데, 인접한 영역에는 서로 다른 색을 칠하기로 할 때, 색칠하는 방법 의 수를 구하시오.
adfasdfasfdasfasfadf
C 4.5 Source code Pt.3 ISL / 강한솔 2019-04-10 Index Tree structure Build.h Tree.h St-thresh.h 2 Tree structure *Concpets : Node, Branch, Leaf, Subtree, Attribute, Attribute Value, Class Play, Don't Play.
기본서(상)해답Ⅰ(001~016)-OK
1 1 01 01 (1) () 5 () _5 (4) _5_7 1 05 (5) { } 1 1 { } (6) _5 0 (1), 4 () 10, () 6, 5 0 (1) 18, 9, 6, 18 1,,, 6, 9, 18 01 () 1,,, 4, 4 1,,, 4, 6, 8, 1, 4 04 (1) () () (4) 1 (5) 05 (1) () () (4) 1 1 1 1
, _ = A _ A _ 0.H =. 00=. -> 0=. 0= =: 0 :=;^!;.0H =.0 000=0. -> 00= 0. 00= =: 0 0 :=;()$; P. 0, 0,, 00, 00, 0, 0, 0, 0 P. 0.HH= = 0.H =0. 0=. -> =0.
0 P. 8 -, 0, -, 0. p 0 0., 0., =0. =0.., 0., 0., 0., =. =0. =0. =0. P. 0,.8 0.H 8, 0.H8,.H, 0.HH,.HH, 0.H, 0.HH 0.8 0.. 0. 0, - p k k k 0.=0.H 8 0.888=0.H8.=.H 0.=0.HH.=.HH 0.=0.H 0.=0.HH P., 0.H, 0.HH,
Press Arbitration Commission 62
제 2 부 언론관련판결 사례 제1장 명예훼손 사례 제2장 재산권 침해 사례 제3장 기타 인격권 침해 사례 제4장 형사 사례 제5장 헌법재판소 결정 사례 편집자 주 - 사건관계인의 인격권을 보호하기 위해 필요한 경우 사건관계인의 이름, 소속회사, 주 소, 차량번호 등을 비실명 익명처리하고 필요한 경우 최소한의 범위내에서 판결문의 일부를 수정 또는 삭제함을 알려드립니다.
Microsoft PowerPoint Relations.pptx
이산수학 () 관계와그특성 (Relations and Its Properties) 2010년봄학기강원대학교컴퓨터과학전공문양세 Binary Relations ( 이진관계 ) Let A, B be any two sets. A binary relation R from A to B, written R:A B, is a subset of A B. (A 에서 B 로의이진관계
< D312D3220C0CCB5EEBAAFBBEFB0A2C7FC E485750>
다음 1)1) 2)2) 다음 가 3) 3) 4) 4) 나 다 5) 5) 라 6) 6) 다음 7) 7) 8) 8) 다음 1. zb 다음그림과같이 AB = AC인 ABC 에서 BC = BD 이고, BDC = 65 일때, DAB - ABD 의크기는? AB = AD 1 BC = DC 2 ( 다 ) 3 1, 2, 3으로부터대응변의길이가같으므로 ABC ( 라 ) BAC
목 차 1. 공통공시 총괄 1 2. 살림규모 6 2-1 세입결산 3 2-2 세출결산 5 2-3 중기지방재정계획 7 3. 재정여건 8 3 1 재정자립도 8 3 2 재정자주도 9 3-3 재정력지수 10 3-4 통합재정수지 11 4. 채무 및 부채 12 4-1 지방채무 현황
2014년도 연천군 지방재정공시 연 천 군 목 차 1. 공통공시 총괄 1 2. 살림규모 6 2-1 세입결산 3 2-2 세출결산 5 2-3 중기지방재정계획 7 3. 재정여건 8 3 1 재정자립도 8 3 2 재정자주도 9 3-3 재정력지수 10 3-4 통합재정수지 11 4. 채무 및 부채 12 4-1 지방채무 현황 12 4 1-1지방채발행 한도액 및 발행액 14
(001~006)개념RPM3-2(부속)
www.imth.tv - (~9)개념RPM-(본문).. : PM RPM - 대푯값 페이지 다민 PI LPI 알피엠 대푯값과산포도 유형 ⑴ 대푯값 자료 전체의 중심적인 경향이나 특징을 하나의 수로 나타낸 값 ⑵ 평균 (평균)= Ⅰ 통계 (변량)의 총합 (변량의 개수) 개념플러스 대푯값에는 평균, 중앙값, 최 빈값 등이 있다. ⑶ 중앙값 자료를 작은 값부터 크기순으로
2
rev 2004/1/12 KAIST 2 6 7 1 13 11 13 111 13 112 18 113 19 114 21 12 24 121 24 122 26 13 28 131 28 132 30 133 (recurrence) 34 134 35 4 2 39 21 39 211 39 212 40 22 42 221, 42 222 43 223, 45 224 46 225, 48
15강 판소리계 소설 심청전 다음 글을 읽고 물음에 답하시오. [1106월 평가원] 1)심청이 수궁에 머물 적에 옥황상제의 명이니 거행이 오죽 하랴. 2) 사해 용왕이 다 각기 시녀를 보내어 아침저녁으로 문 안하고, 번갈아 당번을 서서 문안하고 호위하며, 금수능라 비
![15강 판소리계 소설 심청전 다음 글을 읽고 물음에 답하시오. [1106월 평가원] 1)심청이 수궁에 머물 적에 옥황상제의 명이니 거행이 오죽 하랴. 2) 사해 용왕이 다 각기 시녀를 보내어 아침저녁으로 문 안하고, 번갈아 당번을 서서 문안하고 호위하며, 금수능라 비](/thumbs/39/20072135.jpg "15강 판소리계 소설 심청전 다음 글을 읽고 물음에 답하시오. [1106월 평가원] 1)심청이 수궁에 머물 적에 옥황상제의 명이니 거행이 오죽 하랴. 2) 사해 용왕이 다 각기 시녀를 보내어 아침저녁으로 문 안하고, 번갈아 당번을 서서 문안하고 호위하며, 금수능라 비")
14강 역사영웅소설 15강 판소리계 소설 판소리계 소설 : , 등 일반적으로 판소리 사설의 영향을 받아 소설로 정착된 작품을 가리킨 판소리 : , , , , 등이 사설과 창이 전해지고 있 하층민의 예술로 시작하여 전계층을 아우르는 예술이 되었 상류층, 지배층이 향유층이 되면서 점차 작품의 주제가
Microsoft PowerPoint - dc_ch3 [호환 모드]
![Microsoft PowerPoint - dc_ch3 [호환 모드]](/thumbs/88/114839594.jpg "Microsoft PowerPoint - dc_ch3 [호환 모드]")
Chapter 3 Karnaugh Maps 명제 진리표디지털시스템논리회로 Logic map K-map 부울함수 : Switching Expressions and Logic Maps 논리적인접 * 오직 1비트만이다른입력변수의두조합을논리적으로인접하다고함 * [ 예 ](x 와 x ) x), (xy 와 x y) xy), (xyz 와 xy z) z), (abcd 와
제 2 교시 2019 학년도 3 월고 1 전국연합학력평가문제지수학영역 1 5 지선다형 1. 의값은? [2점] 일차방정식 의해는? [2 점 ] 두수, 의최대공약수는? [2 점 ] 일차함수 의그래프에서
![제 2 교시 2019 학년도 3 월고 1 전국연합학력평가문제지수학영역 1 5 지선다형 1. 의값은? [2점] 일차방정식 의해는? [2 점 ] 두수, 의최대공약수는? [2 점 ] 일차함수 의그래프에서](/thumbs/102/153877712.jpg "제 2 교시 2019 학년도 3 월고 1 전국연합학력평가문제지수학영역 1 5 지선다형 1. 의값은? [2점] 일차방정식 의해는? [2 점 ] 두수, 의최대공약수는? [2 점 ] 일차함수 의그래프에서")
제 2 교시 2019 학년도 3 월고 1 전국연합학력평가문제지 1 5 지선다형 1. 의값은? [2점] 1 2 3 4 5 3. 일차방정식 의해는? [2 점 ] 1 2 3 4 5 2. 두수, 의최대공약수는? [2 점 ] 1 2 3 4 5 4. 일차함수 의그래프에서 절편과 절편의합은? [3 점 ] 1 2 3 4 5 1 12 2 5. 함수 의그래프가두점, 를지날때,
(01~80)_수완(지학1)_정답ok
www.ebsi.co.kr 01 THEME 005 ABC abcd C A b 20~30 km HR HR 10 6 10 5 10 4 10 3 10 2 (=1) 10 1 10 _1 10 _2 10 _3 10 _4 10 7 30000 10000 6000 3000 (K) 11111111 11111111 10 8 10M 6M 10 9 3M 10 10 1M 10 11
<BCF6BFE4B0ADB4DC322E687770>
다니엘 1 (1-4 장) 2015년 4월 15일 다니엘 전체 이해 1. 다니엘의 배경과 상황 a. 다니엘은 히브리어 이름으로 하나님은 나의 심판자이시라 는 뜻 b. 다니엘은 왕족으로 어린 나이에 바벨론의 포로로 끌려가서 그곳에서 왕실의 최고 교육을 받음 i. 16 ii. 1:4, iii. c. 하나님이 다니엘에게 꿈과 환상을 해석하는 특별한 은사를 주심 i.
Contents... 테마1. 도형의합동과닮음 평행선의성질 2. 평행선과선분의길이의비 3. 삼각형의합동조건 4. 직각삼각형의합동조건 5. 도형의닮음 6. 직각삼각형에서의닮음 테마2. 삼각형 이등변삼각형의성질 8. 삼각형의중점연결정리 9. 삼
수능을향한기분좋은첫걸음!! 30 개의테마로정리하는 수능에꼭필요한도형의성질 수능특강기하와벡터이창희선생님 Contents... 테마1. 도형의합동과닮음... 2 1. 평행선의성질 2. 평행선과선분의길이의비 3. 삼각형의합동조건 4. 직각삼각형의합동조건 5. 도형의닮음 6. 직각삼각형에서의닮음 테마2. 삼각형... 8 7. 이등변삼각형의성질 8. 삼각형의중점연결정리
untitled
200 180 ( ) () 1,060 1,040 160 140 120 / () 1,020 1,000 980 100 960 80 940 60 920 2005.1 2005.2 2005.3 2005.4 2006.1 2006.2 2006.3 2006.4 2007.1 2007.2 2007.3 150000 () (% ) 5.5 100000 CD () 5.4 50000
<30352D30312D3120BFB5B9AEB0E8BEE0C0C720C0CCC7D82E687770>
IT법률컨설팅 강의교안 (상) 영문계약의 이해 소프트웨어 자산관리기법 영문계약의 이해 - 1 - - 2 - - 3 - - 4 - - 5 - - 6 - - 7 - - 8 - - 9 - - 10 - - 11 - - 12 - - 13 - - 14 - - 15 - - 16 - - 17 - - 18 - - 19 - - 20 - - 21 - - 22 - - 23 -
01 02 03 01 01 02 03 04 05 06 07 08 09 10 11 12 CO C CO C C CO 04 05 06 RNA DNA 07 A B C C B A 08 TMV TMV TMV TMV 09 02
w w w. e b s i. c o. k r 01 02 03 01 01 02 03 04 05 06 07 08 09 10 11 12 CO C CO C C CO 04 05 06 RNA DNA 07 A B C C B A 08 TMV TMV TMV TMV 09 02 10 ADH 11 A CO H O NH B AB 12 2 1 DNA 02 01 02 03 04 05
*세지6문제(306~316)OK
01 02 03 04 306 05 07 [08~09] 0 06 0 500 km 08 09 307 02 03 01 04 308 05 07 08 06 09 309 01 02 03 04 310 05 08 06 07 09 311 01 03 04 02 312 05 07 0 500 km 08 06 0 0 1,000 km 313 09 11 10 4.8 5.0 12 120
7. 다음그림과같이한변의길이 가 4 6 인마름모의넓이를구 하여라. 10. 다음그림과같이모선의길이가 6 cm 인원뿔의밑면의 둘레의길이가 6π cm 일때, 원뿔의높이와부피를구한 것은? 1 6 cm, 6 π cm 6 cm, 6π cm 8. 다음과같이한변의길이가 8 인정육 면
. 단원테스트 범위 : 피타고라스의정리 피타고라스의정리의활용 50 문항 / 저반 : 이름 : 출제자 : 박지연. 1. 다음그림에서 x 의값으로적절한것은? 4. 세변의길이가 6 cm, 5 cm, 10 cm 인삼각형은어떤삼 각형인가? 1 직각삼각형 이등변삼각형 직각이등변삼각형 4 예각삼각형 5 둔각삼각형 1 9 9 9 4 4 9 5 5 9. 삼각형의세변의길이가다음보기와같을때직각삼각
Microsoft PowerPoint - 제06장.ppt [호환 모드]
![Microsoft PowerPoint - 제06장.ppt [호환 모드]](/thumbs/82/84881446.jpg "Microsoft PowerPoint - 제06장.ppt [호환 모드]")
6 장부울함수의간소화 개요 모든입력과출력조건이동일한경우에는가능한한논리회로를간단하게구성 논리회로간소화혹은최적화 부울식의간소화 : term 을감소하거나 literal 를감소한다. term 은게이트의수, literal 은게이트의입력수를나타낸다. 논리회로의동작속도향상, 소비전력감소등효율적인논리회로구성가능 논리회로를간소화하는방법 논리회로자체를간소화하는방법 논리회로를부울함수로표현한후부울함수를간소화
<33312D322D313220C1A4BCD2BFB520B1C7BCF6C5C22E687770>
Journal of the Society of Korea Industrial and Systems Engineering Vol, 31, No. 2, pp.104 111, June 2008. 연관규칙과순차패턴을이용한프로세스마이닝 정소영 권수태 전주대학교정보시스템학과 A Process Mining using Association Rule and Sequence
수리 영역 가 형 5. 다음 그림과 같이 크기가 같은 정육면체 개가 한 모서리씩을 공유하 면서 각 면이 평행 또는 수직 관계를 유지한 채로 한 평면 위에 놓여있 다. 그림의 세 꼭짓점 A, B, C에 대한 두 벡터 BA 와 BC 가 이루는 각 의 크기를 h라 할 때,
제``교시 수리 영역( 가 형) 시간:00분 점수:00점 성명 수험 번호 쭚 반드시 본인이 선택한 유형( 가 형 또는 나 형)의 문제인지 확인하시오. 쭚 문제지와 답안지에 성명과 수험 번호를 정확히 기입하시오. 쭚 MR 답안지에 성명, 수험 번호, 응시 유형 및 선택 과목, 답 등을 표기할 때에는 반드시 수험생이 지켜야 할 사항 에 따라 표기하시오. 쭚 문항에
완벽한개념정립 _ 행렬의참, 거짓 수학전문가 NAMU 선생 1. 행렬의참, 거짓개념정리 1. 교환법칙과관련한내용, 는항상성립하지만 는항상성립하지는않는다. < 참인명제 > (1),, (2) ( ) 인경우에는 가성립한다.,,, (3) 다음과같은관계식을만족하는두행렬 A,B에
1. 행렬의참, 거짓개념정리 1. 교환법칙과관련한내용, 는항상성립하지만 는항상성립하지는않는다. < 참인명제 > (1),, (2) ( ) 인경우에는 가성립한다.,,, (3) 다음과같은관계식을만족하는두행렬 A,B에대하여 AB=BA 1 가성립한다 2 3 (4) 이면 1 곱셈공식및변형공식성립 ± ± ( 복호동순 ), 2 지수법칙성립 (은자연수 ) < 거짓인명제 >
1 1 x + # 0 x - 6 x 0 # x # 2r sin2x- sin x = 4cos x r 3 r 2r 5 r 3r
# 0 0 # # si si cos # 0 # 0 ^ h ^h^h# 0 ^! 0, h ^h^h# 0 ^! 0, h si si cos sicos si cos si ^cos h ^cos h si ^cosh^cos h 0 ^sih^cos h 0 0 # # cos cos, ^ si! h,, ` 0 # 혼자하는수능수학 0 년대비 9 월 A B, y f^h f^h, 0
쉽게배우는알고리즘 6장. 해시테이블 테이블 Hash Table
쉽게배우는알고리즘 6장. 해시테이블 테이블 Hash Table http://academy.hanb.co.kr 6장. 해시테이블 테이블 Hash Table 사실을많이아는것보다는이론적틀이중요하고, 기억력보다는생각하는법이더중요하다. - 제임스왓슨 - 2 - 학습목표 해시테이블의발생동기를이해한다. 해시테이블의원리를이해한다. 해시함수설계원리를이해한다. 충돌해결방법들과이들의장단점을이해한다.
<3036B3E231C7D0B1E220B0ED31B1E2B8BBB0EDBBE7B4EBBAF1C6AFB0AD20B1B9BEEE28BBF32931B0AD2D33B0AD2D5BB1E8C0AFB5BFBCB1BBFDB4D45D2E687770>
2006년 1학기 기말고사 대비 EBS 고1 특강 국어-상 강의 교재 EBS 국어( 상) 특강 김유동 강의 전 일러두기 -------------------------------------------------------------------- 학습 범위는 교육부에서 지정한 수업 시간을 기준으로( 총 32 시간) '5. 능동적인 의사 소통 ~ 8. 언어와 세계'
STATICS Page: 7-1 Tel: (02) Fax: (02) Instructor: Nam-Hoi, Park Date: / / Ch.7 트러스 (Truss) * 트러스의분류 트러스 ( 차원 ): 1. 평면트러스 (planar tru
STATICS Page: 7-1 Instructor: Nam-Hoi, Park Date: / / Ch.7 트러스 (Truss) * 트러스의분류 트러스 ( 차원 ): 1. 평면트러스 (planar truss) - 2 차원 2. 공간트러스 or 입체트러스 (space truss)-3 차원트러스 ( 형태 ): 1. 단순트러스 (simple truss) 삼각형형태의트러스
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 =
<C5F0B0E82D313132C8A328C0DBBEF7BFEB292E687770>
2012년 7월 17일 발행 통권 제112호 112 발행인:李圭衡/편집인:金尙勳/주간:金泰詢/발행처:社)退溪學釜山硏究院 (우614-743) 釜山市釜山鎭區田浦洞608-1 819-8587/F.817-4013 出處가 분명한 공직사회 인간이 가지는 인성은 그 특성이 다양하여 일률적으로 판단 한 하기는 쉽지 않다. 그러므로 어떤 관점과 측면에서 논하느냐에
확률과통계.indd
(Pascal, B. ; 16~166) (de Me're' C. ; 1607~168) 80 01 8 % 1 0 0 0 60 70 1 100 100 61 7 68 7 88 1 100 1... A B A;B 81 A n(a;b) 1111 A n(a) A A;B n(a;b) 61 B 11111 = 1 n(a) 88 SAB 0 A B A B P(B A) S A B
2 KAIST 1988,,KAIST MathLetter, 3,,, 3,, 3, 3,
(M 2 ) 2 KAIST 1988,,KAIST MathLetter, 3,,, 3,, 3, 3, 3,,, 2003 8, 4 1 7 11 8 12 26 2 39 21 40 22 54 23 67 24 80 3 93 31 n! 94 32 101 33 115 4 131 41 132 6 42 146 5 163 51 164 52 180 1 8 11 4 4?!,? 2??,?
<C6F7BDBAB0EDC0FCB9AEC7D0BAB8C3E62832307E33372037357E313030B0AD292E687770>
포스 고전문학 20강 - 고려가요와 경기체가 1 승희샘의 작전 명령 1. 고려가요의 개념과 장르적 특징을 정리하라. 2. 가시리 의 율격적 특성과 전통적 정서를 파악하라. 3. 정과정 의 정서 변화와 충신연주지사를 이해하라. 고려가요의 개념과 장르적 특징 (교재 60P 참조) 1. 고래시대 백성들의 노래 : 속요, 여요 2. 백성들의 노래 구전(훈민정음 창제
20140628 서울시_장혁사회_총평,해설_B책형_1.hwp
사 회 1. 다음 와 같은 단체에 대한 설명으로 옳지 않은 것 사회의 여러 가지 문제를 해결하기 위하여 민간이 중심이 되어 만든 비정부 조직, 영리를 목적으로 활동하지 않는 비영리단체로, 환경 운 동이나 인권 보호 운동, 부패 방지 운동을 위해 적극적으로 활동하 는 단체를 말한다. 다수의 시민을 위해 활동하는 단체이다. 1 집단의 가입과 탈퇴가 비교적 자유롭다.
第 1 節 組 織 11 第 1 章 檢 察 의 組 織 人 事 制 度 등 第 1 項 大 檢 察 廳 第 1 節 組 대검찰청은 대법원에 대응하여 수도인 서울에 위치 한다(검찰청법 제2조,제3조,대검찰청의 위치와 각급 검찰청의명칭및위치에관한규정 제2조). 대검찰청에 검찰총장,대
第 1 章 檢 察 의 組 織 人 事 制 度 등 第 1 節 組 織 11 第 1 章 檢 察 의 組 織 人 事 制 度 등 第 1 項 大 檢 察 廳 第 1 節 組 대검찰청은 대법원에 대응하여 수도인 서울에 위치 한다(검찰청법 제2조,제3조,대검찰청의 위치와 각급 검찰청의명칭및위치에관한규정 제2조). 대검찰청에 검찰총장,대검찰청 차장검사,대검찰청 검사,검찰연구관,부
조사연구 aim of this study is to find main cause of the forecasting error and bias of telephone survey. We use the telephone survey paradata released by N
조사연구 권 호 DOI http://dx.doi.org/10.20997/sr.17.3.5 연구노트 2016 년국회의원선거전화여론조사정확성분석 Analysis of Accuracy of Telephone Survey for the 2016 National Assembly Elections 1)2) a) b) 주제어 선거여론조사 전화조사 예측오차 편향 대국회의원선거
6자료집최종(6.8))
Chapter 1 05 Chapter 2 51 Chapter 3 99 Chapter 4 151 Chapter 1 Chapter 6 7 Chapter 8 9 Chapter 10 11 Chapter 12 13 Chapter 14 15 Chapter 16 17 Chapter 18 Chapter 19 Chapter 20 21 Chapter 22 23 Chapter
0 cm (++x)=0 x= R QR Q =R =Q = cm =Q =-=(cm) =R =x cm (x+) = +(x+) x= x= (cm) =+=0 (cm) =+=8 (cm) + =0+_8= (cm) cm + = + = _= (cm) 7+x= x= +y= y=8,, Q
. 09~ cm 7 0 8 9 8'-p 0 cm x=, y=8 cm 0' 7 cm 8 cm 9 'åcm 90 'åcm T T=90 T T =" 8 - =' (cm) T= T= _T _T _'_ T=8' (cm ) 7 = == =80 -_ =0 = = _=(cm) M = = _0= (cm) M M =" - = (cm) r cm rcm (r-)cm H 8cm cm
IV L E V E L 11 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 1 2 3 01 02 03 04 05 06 07 08 09 10 11 12 13 14
LEVEL LEVEL LEVEL LEVEL LEVEL LEVEL LEVEL LEVEL LEVEL LEVEL 11 12 13 14 15 16 17 18 19 20 IV L E V E L 11 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 1 2 3 01
Microsoft PowerPoint - 27.pptx
이산수학 () n-항관계 (n-ary Relations) 2011년봄학기 강원대학교컴퓨터과학전공문양세 n-ary Relations (n-항관계 ) An n-ary relation R on sets A 1,,A n, written R:A 1,,A n, is a subset R A 1 A n. (A 1,,A n 에대한 n- 항관계 R 은 A 1 A n 의부분집합이다.)
ÃÖ»óÀ§5³ª-Á¤´ä(01~23)
2.4 3 5.26 8.225m 4523.3 8 0 36.63 3.26 46.7 4670-46.7=4523.3. _ 0. 3 422222 (_3) (_3) (_3) 422222. 4 5 _3 5 =5 _3 4 = _3+ _3+5=, _3=6 =2 ++=2++5=8 2.5 4 =2.5_4-7_.2=0-8.4=.6, 7.2 0.3 7.3 =0.3_7.3-.5_0.5.5
A Hierarchical Approach to Interactive Motion Editing for Human-like Figures
단일연결리스트 (Singly Linked List) 신찬수 연결리스트 (linked list)? tail 서울부산수원용인 null item next 구조체복습 struct name_card { char name[20]; int date; } struct name_card a; // 구조체변수 a 선언 a.name 또는 a.date // 구조체 a의멤버접근 struct
파이널생명과학1해설OK
EBS EBS 00 Finl E d u c t i o n l B r o d c s t i n g S y s t e m CO A B A~C CHON CHONP N.5 % 86.5 % 5.... 5. 6.. 8. 9. 0..... 5. 6.. 8. 9. 0. X Y X X 6 G DNA DNA S (A) (B) G DNA DNA (A)=; ;=;6!; (B)=;
제 9 도는 6제어항목의 세팅목표의 보기가 표시된 레이더 챠트(radar chart). 제 10 도는 제 6 도의 함수블럭(1C)에서 사용되는 각종 개성화 함수의 보기를 표시하는 테이블. 제 11a 도 제 11c 도까지는 각종 조건에 따라 제공되는 개성화함수의 변화의
(19) 대한민국특허청(KR) (12) 특허공보(B1) (51) Int. Cl. 5 B66B 1/18 (45) 공고일자 1993년09월28일 (11) 공고번호 특1993-0009339 (21) 출원번호 특1989-0002580 (65) 공개번호 특1989-0014358 (22) 출원일자 1989년03월02일 (43) 공개일자 1989년10월23일 (30) 우선권주장
LEET 추리논증 29번 유사 적중 - 기본교재 -P.144 29. 다음 글로부터 추론한 것으로 옳은 것만을 에서 있 는 대로 고른 것은? 번역사 P는 고객 A, B, C로부터 문서를 의뢰받아 번역 일을 한 P는 하루에 10 쪽씩 번역한 모든 번역 의뢰는 매일 아침 업
LEET 추리논증 2번 기본과정 강의에서 한강변에 애완동물금 지 푯말과 애완돼지를 예를 들어 포함여 추상적 단어와 구체적 단어 의 포함여부 판단 문제 부를 묻는 강의를 실시 [ 법- 추상적/ 사건- 구체적] 유사 적중 - 기본교재 -P.210 유사 적중 - 기본교재 -P.257 모순 찾기 LEET 추리논증 4번 약점극복 심화추리논증-실전모의고사 [핸드폰 대화
Microsoft PowerPoint - ch10_회복과 병행 제어.pptx
13-01 트랜잭션 장애와회복 병행제어 병행수행과병행제어 병행수행 (concurrency) 여러사용자가데이터베이스를동시공유할수있도록여러개의트랜잭션을동시에수행하는것을의미 여러트랜잭션들이차례로번갈아수행되는인터리빙 (interleaving) 방식으로진행됨 병행제어 (concurrency control) 또는동시성제어 병행수행시같은데이터에접근하여연산을실행해도문제가발생하지않고정확한수행결과를얻을수있도록트랜잭션의수행을제어하는것을의미
8. 8) 다음중용어의정의로옳은것은? 1 정사각형 : 네변의길이가같은사각형 2 정삼각형 : 세내각의크기가같은삼각형 3 이등변삼각형 : 두변의길이가같은삼각형 4 평행사변형 : 두쌍의대변의길이가각각같은사각형 5 예각삼각형 : 한내각의크기가 90 보다크고 180 보다작은삼각
1. 1) 수학익힘책문제풀기 중 2-2: 02. 삼각형의성질 ( 기본부터심화까지 ) 다음명제의역이참인지거짓인지를말하여라. 5. 5), 는자연수이고, 문장,, 가각각다음과같을때, 다음기호를명제로나타낼때, 참인지거짓인지를말하여라. : 는짝수이고 는홀수이다. : 는홀수이다. : 는홀수이다. ⑴ ⑵ ⑶ ⑴ 이면 이다. ⑵ 이면 이다. ⑶ 12의배수는 6의배수이다.
PowerPoint Presentation
논리회로기초요약 IT CookBook, 디지털논리회로 4-6 장, 한빛미디어 Setion 진수 진수표현법 기수가 인수, 사용. () = +. = 3 () () + + () +. () + + + () +. + () + - () +. + - () + -3 + -4 Setion 3 8 진수와 6 진수 8진수표현법 에서 7까지 8개의수로표현 67.36 (8) = 6
Visual Basic 반복문
학습목표 반복문 For Next문, For Each Next문 Do Loop문, While End While문 구구단작성기로익히는반복문 2 5.1 반복문 5.2 구구단작성기로익히는반복문 3 반복문 주어진조건이만족하는동안또는주어진조건이만족할때까지일정구간의실행문을반복하기위해사용 For Next For Each Next Do Loop While Wend 4 For
Microsoft PowerPoint - 7_배열_문자열
* 이번주주제: 배열, 문자열 1 * 지난주내용: 함수 2 * 배열의 개념 (p86) - 복수의 동일한 데이터 형의 변수를 하나로 묶은 것. - 대량의 데이터를 취급할 때나 여러 데이터를 차례로 자동적으로 입출력해야 할 때 배열을 사용 하면 편리. - 배열도 변수와 마찬가지로 선언이 필요. - 배열을 초기화 할 때는 { }를 사용하여 값을 열거. - [ ]안의
3 x =2y x =-16y 1 4 {0 ;4!;} y=-;4!; y x =y 1 5 5'2 2 (0 0) 4 (3-2) 3 3 x=0 y=0 x=2 y=1 :: 1 4 O x 1 1 -:: y=-:: 4 4 {0 -;2!;} y=;2!; l A y 1
= =-6 {0;!;}=-;!; = 5 5' (00) (-) =0=0 == :: -:: =-:: {0-;!;}=;!; 0 l :: -:: =:: F 5 0cm =- = =- (0)=- =6 =0 =- (0)=- - =- {-;#;0}=;#; =- - =- (0)=- = =8 -:: :: =:: - =- 98 R l Q P B S r rb l Q P B lb
II 2 72 90 % 0 % 74 80 % 80 % 90 % 0 % 00 90 0 80 % 0 80 % 8 20 % 9020 % 8 268 ;2 6;=0307y 3 % (90) 72 8 (0) 2 8 74 26 75 0 02 2 5 25 A B AB AB pq A B p+q 2 5 5 2 np r =n(n-)y(n-r+) np r n! nc r = 2 =
미통기-3-06~07(052~071)
06 F() f() F'()=f()F() f() : f()d f() f() f() f() F()f() F()+C : f()d=f()+c C F'()=f(): f()d=f()+c C d [: f()d]=f() d : k d=k+c k C : «d= + +C =0C + : k f()d=k: f()d k : { f() g()}d=: f()d : g()d =f()
< D312D3420BBEFB0A2C7FCC0C720BFDCBDC9B0FA20B3BBBDC E485750>
1)1) 2)2) 3) 3) 4) 4) 5) 5) 1. zb 그림에서점 O는중옳은것은? ABC 의외심이다. 3. zb 그림에서점 I 는직각삼각형 ABC 의내심이다. 삼각형의세변의길이가각각 10 cm, 8cm, 6cm 일때, 색칠한부분의넓이는? 1 OD = OE = OF 2 OA = OB = OC 3 AD = AF 4 OCE = OCF 5 OBD OBE 1 (
ºÎ·ÏB
B B.1 B.2 B.3 B.4 B.5 B.1 2 (Boolean algebra). 1854 An Investigation of the Laws of Thought on Which to Found the Mathematical Theories of Logic and Probabilities George Boole. 1938 MIT Claude Sannon [SHAN38].
Gray level 변환 및 Arithmetic 연산을 사용한 영상 개선
Point Operation Histogram Modification 김성영교수 금오공과대학교 컴퓨터공학과 학습내용 HISTOGRAM HISTOGRAM MODIFICATION DETERMINING THRESHOLD IN THRESHOLDING 2 HISTOGRAM A simple datum that gives the number of pixels that a
歯15-ROMPLD.PDF
MSI & PLD MSI (Medium Scale Integrate Circuit) gate adder, subtractor, comparator, decoder, encoder, multiplexer, demultiplexer, ROM, PLA PLD (programmable logic device) fuse( ) array IC AND OR array sum
Microsoft PowerPoint - 제05장.ppt [호환 모드]
![Microsoft PowerPoint - 제05장.ppt [호환 모드]](/thumbs/99/143267264.jpg "Microsoft PowerPoint - 제05장.ppt [호환 모드]")
Chapter 05 부울대수 1. 부울대수 부울대수 (boolean algebra) 를근거로한스위칭이론 (switching theory) 은논리설계에있어서이론적인근거가되는수학적체계. 부울대수 - 부울상수와부울변수로구성, 0과 1의두개값을가짐 - 논리레벨의여러정의 논리 0 False Off Low No Open Switch 논리 1 True On High Yes
Microsoft PowerPoint 웹 연동 기술.pptx
웹프로그래밍및실습 ( g & Practice) 문양세강원대학교 IT 대학컴퓨터과학전공 URL 분석 (1/2) URL (Uniform Resource Locator) 프로토콜, 호스트, 포트, 경로, 비밀번호, User 등의정보를포함 예. http://kim:3759@www.hostname.com:80/doc/index.html URL 을속성별로분리하고자할경우
Microsoft PowerPoint - 알고리즘_5주차_1차시.pptx
Basic Idea of External Sorting run 1 run 2 run 3 run 4 run 5 run 6 750 records 750 records 750 records 750 records 750 records 750 records run 1 run 2 run 3 1500 records 1500 records 1500 records run 1
많이 이용하는 라면,햄버그,과자,탄산음료등은 무서운 병을 유발하고 비만의 원인 식품 이다. 8,등겨에 흘려 보낸 영양을 되 찾을 수 있다. 도정과정에서 등겨에 흘려 보낸 영양 많은 쌀눈과 쌀껍질의 영양을 등겨를 물에 우러나게하여 장시간 물에 담가 두어 영양을 되 찾는다
(51) Int. Cl. (19) 대한민국특허청(KR) (12) 공개실용신안공보(U) A23L 1/307 (2006.01) C02F 1/68 (2006.01) (21) 출원번호 20-2011-0002850 (22) 출원일자 2011년04월05일 심사청구일자 2011년04월05일 (11) 공개번호 20-2011-0004312 (43) 공개일자 2011년05월03일
(001~042)개념RPM3-2(정답)
- 0 0 0 0 6 0 0 06 66 07 79 08 9 0 000 000 000 000 0 8+++0+7+ = 6 6 = =6 6 6 80+8+9+9+77+86 = 6 6 = =86 86 6 8+0++++6++ = 8 76 = = 8 80 80 90 00 0 + = 90 90 000 7 8 9 6 6 = += 7 +7 =6 6 0006 6 7 9 0 8
-주의- 본 교재는 최 상위권을 위한 고난이도 모의고사로 임산부 및 노약자의 건강에 해로울 수 있습니다.
Intensive Math 극악 모의고사 - 인문계 등급 6점, 등급 점으로 난이도를 조절하여 상위권 학생들도 불필요한 문제에 대한 시간 낭비 없이 보다 많은 문제에서 배움을 얻을 수 있도록 구성하였습니다. 단순히 어렵기만 한 문제들의 나열이 아니라 수능에 필요한 대표 유형을 분류 하고 일반적인 수험환경에서 흔하게 배울 수 있는 내용들은 과감하게 삭제 수능시험장
Sequences with Low Correlation
레일리페이딩채널에서의 DPC 부호의성능분석 * 김준성, * 신민호, * 송홍엽 00 년 7 월 1 일 * 연세대학교전기전자공학과부호및정보이론연구실 발표순서 서론 복호화방법 R-BP 알고리즘 UMP-BP 알고리즘 Normalied-BP 알고리즘 무상관레일리페이딩채널에서의표준화인수 모의실험결과및고찰 결론 Codig ad Iformatio Theory ab /15
PowerPoint Presentation
데이터전처리 Data Preprocessing 01 데이터구조와종류 목차 1. 데이터개념 2. 데이터구조 3. 데이터종류 데이터전처리 (Data Preprocessing) - 01 데이터구조와종류 3 1. 데이터개념 데이터단어유래 https://en.wikipedia.org/wiki/data https://namu.wiki/w/ 데이터 데이터 data 는라틴어단어
개요 l 모든입력과출력조건이동일한경우에는가능한한논리회로를간단하게구성 à 논리회로간소화혹은최적화 부울식의간소화 : term 을감소하거나 literal 를감소한다. term 은게이트의수, literal 은게이트의입력수를나타낸다. l 논리회로의동작속도향상, 소비전력감소등효율
6 장부울함수의간소화 개요 l 모든입력과출력조건이동일한경우에는가능한한논리회로를간단하게구성 à 논리회로간소화혹은최적화 부울식의간소화 : term 을감소하거나 literal 를감소한다. term 은게이트의수, literal 은게이트의입력수를나타낸다. l 논리회로의동작속도향상, 소비전력감소등효율적인논리회로구성가능 l 논리회로를간소화하는방법 논리회로자체를간소화하는방법
2.단순 암기로는 틀리는 논리적 독해 문제 강화 그리고, 실천윤리 파트들에서도 이전처럼 패턴화되어서 쉽게 풀 수 있는 문제들이 아니었고, 논리적 으로 독해하며 꼼꼼히 따져서 풀어야할 문제들이 출제되었다. 오히려 암기식으로 접근하여 제시문 을 꼼꼼하게 읽지 않고 선지로
현자타임 생윤 9평 해설서 총평: (1) 난이도 분석 국영탐을 물로 내고 사탐으로 변별을 주려는 평가원의 의도인가? 이번 시험은 한마디로 어려웠다 정답률이 낮았던 주요 문제를 살펴보자면 10번 인간중심주의와 생태중심주의 17%, 18번 칸트의 영구평화론 (이상주의) 21% 20번 전통 윤리 : 도교에서 성인을 바라보는 입장(+엘리아데의 성현) : 28% 19번
자연언어처리
제 7 장파싱 파싱의개요 파싱 (Parsing) 입력문장의구조를분석하는과정 문법 (grammar) 언어에서허용되는문장의구조를정의하는체계 파싱기법 (parsing techniques) 문장의구조를문법에따라분석하는과정 차트파싱 (Chart Parsing) 2 문장의구조와트리 문장 : John ate the apple. Tree Representation List
<C7F6B4EBBCD2BCB3B7D0325F34C1D6C2F720C0DAB7E128C6EDC1FD292E687770>
유형1) 인물 관련 작품 분석 보충 1) 인물의 내면 심리 개, 돼지는 푹푹 크는데 왜 이리도 사람은 안 크는지, 한동안 머리가 아프도록 궁리도 해 보았다. 아하, 물동이를 자꾸 이니까 뼈다귀가 움츠라드나 보다, 하고 내가 너즛넌즈 시 그 물을 대신 길어도 주었다. 뿐만 아니라 나무를 하러 가면 서낭당에 돌을 올려놓고 점순이의 키 좀 크게 해 줍소사. 그러면
정답 및 해설 - 비둘기집 원리 쪽 확인 극단적으로 생각하기 0개의 수 중에서 차가 8인 수의 쌍은 (, 9), (2, 0) 이고, 짝을 지을 수 없는 나머지 수는 (3), (4), (5), (6), (7), (8)입니다. 따라서 적어도 6+2+=9(개)의 구슬을 뽑아
정답 및 해설 영 재 사 고 력 고급 D 고_D권-해답(0-28)-ok.indd 3. 6. 2. 오후 9:05 정답 및 해설 - 비둘기집 원리 쪽 확인 극단적으로 생각하기 0개의 수 중에서 차가 8인 수의 쌍은 (, 9), (2, 0) 이고, 짝을 지을 수 없는 나머지 수는 (3), (4), (5), (6), (7), (8)입니다. 따라서 적어도 6+2+=9(개)의