빅데이터 분석을 위한 데이터 마이닝
|
|
|
- 주이 국
- 6 years ago
- Views:
Transcription
1 White Paper May 2017 빅데이터분석을위한데이터마이닝 GoldenWired Inc. R&D Center
2 빅데이터분석을위한데이터마이닝 데이터마이닝 (Data Mining) 이란, 대량의데이터가축적되어있는데이터베이스로부터데이터간의정보를분석하고, 유용한정보또는지식을추출하는과정입니다. 그과정에서체계적이고자동적으로통계적규칙이나패턴을찾아내는것입니다. 광산에서광석이나다이아몬드등의광물을채굴하는것을 Mining 이라고하듯이, 데이터를마이닝한다는것은데이터베이스 ( 광산 ) 에서값어치가있는정보, 지식등을캐낸다는의미입니다. 데이터마이닝을하는이유 데이터마이닝을하는가장큰이유중하나는예측을통해최적의의사결정을하기위해서입니다. 예를들어, 경쟁회사로이탈할가능성이있는고객들이누군지예측할수있다면이탈을막기위한고객관리전략을세울수있을것입니다. 이탈가능성이있는고객을분류하기위해고객데이터베이스및판매데이터베이스등으로부터고객별구매패턴등을찾아내는것이데이터마이닝이적용될수있는수많은분야중한예에해당됩니다. 위의예처럼, 기업간경쟁이점점치열해지는시장환경에서고객의요구에대한빠른대응이기업간의경쟁력의측정지표가되고, 경쟁우위를확보하기위한신속하고합리적인의사결정이중요한이슈가되었습니다. 이러한환경속에서각기업들은최적의의사결정을뒷받침해줄수있는의미있는새로운정보의추출방법인데이터마이닝에집중하게되었습니다. 그러나데이터마이닝을하는이유가오로지기업에만국한되는부분은아닙니다. 데이터마이닝의관점에따라추출대상데이터와, 패턴을찾고지식을발견하는방식과그범위는달라질수있으며데이터마이닝의적용분야는매우다양합니다. 1
3 데이터마이닝정의에대한관점 데이터마이닝은크게다음세가지관점으로정의를나눌수있습니다. Computer Science 관점패턴인식기술, 통계적및수학적분석방법을이용하여저장된거대한자료로부터우리에게유익하고흥미있는새로운관계, 성향, 패턴등다양한가치있는정보를찾아내는일련의과정 MIS(Management Information Systems) 관점거대한데이터베이스혹은자료에서유용한정보를유출하는일련의과정뿐아니라값진정보를사용자가전문적지식없이사용할수있는의사결정지원시스템의개발과정 Statistics 관점 올바른의사결정을지원하기위한자료분석 (Data Analysis) 및모델선택 (Model Selection) 관점에따라데이터마이닝의정의는조금씩다르지만본질은같습니다. 가치있는정보, 지식을얻기위한일련의기술적인수단으로써의과정이데이터마이닝의본질이고그가치있는정보는데이터마이닝을하는주체에따라다양하다는것입니다. 데이터마이닝과통계학 통계학에서는대상집단이있으며, 모집단의분포혹은모형등여러가지가정을전제로하게되며이전제조건하에서분석을실시합니다. 즉, 표본 (Sample) 의관찰을통해모수 (Population) 전체를추론 (Inference) 하는과정이라고할수있습니다. 데이터마이닝은표본조사또는실험에서필연적으로수반되는분포라든가모형에대한전제조건이필요하지는않습니다. 즉, 모집단의전체자료를이용하여필요한정보나지식을추출하는과정이라고할수있습니다. 또한, 마이닝을하기위해서는대용량의데이터가존재해야한다는전제조건이필요하기도합니다. 그러나, 데이터로부터숨겨진패턴을찾아내어예측및의사결정을위한유용한 2
4 정보를추출하는과정에서인공지능기반의기계학습 (Machine Learning), 통계학 (Statistic) 등을적용하기때문에통계는데이터마이닝의구성요소로볼수도있습니다. 따라서, 그둘을엄밀히구분하기보다는데이터분석을위해통합적으로활용하는측면으로이해하는것이중요하다고할수있습니다. 데이터마이닝을통한인사이트도출과정 그림 1. 데이터마이닝단계별흐름도 데이터마이닝에있어서일반적으로몇가지단계가존재합니다. 방대한원본데이터로부터마이닝목적에맞는데이터 (Target Data) 를선별 (Selection) 하는것이첫번째단계입니다. 정확한데이터마이닝을하기위해서는선별된데이터를정제 (Cleaning) 하는것이중요합니다. 선별된데이터에는값이부분적으로빠져있거나 (Missing Value) 엉뚱한값 (Noisy Data) 이섞여있을수있기때문입니다. 정제된데이터는통합 (Integration) 과변환 (Transformation) 을거쳐비로소마이닝을할수있는자격을얻게됩니다. 이런자격을얻기까지의과정은데이터전처리 (Data Preprocessing) 라고불리며전처리단계에는선별 (Selection), 정제 (Cleaning), 통합 (Integration), 변환 (Transformation), 축소 (Reduction) 등의작업이포함됩니다. 전처리를거친데이터로부터여러마이닝기법을활용하여규칙과패턴을찾아내는작업은대단히흥미롭습니다. 이러한분석을통해얻어진결과는인사이트를도출하고확률에기반한예측을할수있게해주는지식 (Knowledge) 이됩니다. 이때문에데이터마이닝은 KDD( 데이터베이스속의지식발견, knowledgediscovery in databases) 라고도일컬어집니다. 3
5 데이터마이닝수행을위한방법론 : 데이터마이닝프로세스 데이터마이닝은대용량의데이터를이용한정보화과정이기때문에여러단계의절차에의해수행됩니다. 데이터분석과정에있어서일정방법론에따라체계적으로분석작업을수행해야시행착오를덜겪을수있습니다. 데이터마이닝을수행하기위한방법론으로 KDD, CRISP-DM과 SEMMA가있습니다. 이중에서실제실무에서가장많이쓰이는방법론인 CRISP-DM 의프로세스는 아래와같습니다. 그림 2. 데이터마이닝 CRISP-DM 라이프사이클 CRISP-DM 는 6 단계로구성되어있으며, 각단계는일방향으로구성되어있지않 고단계간피드백을통하여단계별완성도를높이게되어있습니다. 비즈니스이해 (Business Understanding) 비즈니스관점에서프로젝트의목적과요구사항을이해하는단계로써, 도메인지식을데이터분석을위한문제정의로변경하고초기프로젝트계획을수립합니다. 반드시 Field Knowledge를가진그분야의전문가가함께참여해야합니다. 데이터이해 (Data Understanding) 분석을위한데이터수집과데이터속성을이해하는과정으로데이터품질에대한문제점을식별하고숨겨진인사이트를발견하는단계입니다. 초기데이터수집, 데이터기술분석, 데이터탐색, 데이터품질등의확인이필요한단계입니다. 데이터준비 (Data Preparation) 4
6 수집된데이터에서분석기법에적합한데이터를편성하는단계로써데 이터의정제, 새로운데이터생성, 데이터업데이트등, 자료를분석가 능한상태로만드는과정이포함됩니다. 모델링 (Modeling) 다양한모델링기법과알고리즘을선택하고모델링과정에서사용되는파라미터를최적화하는단계로, 필요시데이터준비단계를반복할수있습니다. 모델링결과를테스트용데이터셋으로평가하여모델의과적합 (Overfitting) 의문제를확인합니다. 평가 (Evaluation) 모델링결과가프로젝트목적에부합하는지평가하는단계로데이터마 이닝결과를최종적으로수용할것인지판단합니다. 전개 (Deployment) 모델링과평가단계를통하여완성된모델을실업무에적용하는단계입니다. 이를위해전개계획을수립하고모니터링과모델의유지보수계획을마련합니다. 모델은적용되는비즈니스도메인특성, 입력되는데이터의품질편차, 운영모델의평가기준에따라생명주기 (Life Cycle) 가다양하므로상세한전개계획이필요합니다. 데이터마이닝의적용부문 데이터마이닝은대표적으로다음과같은부문에적용되어결과를도출할수있 습니다. 분류 (Classification) 분류는데이터분석의가장기본적인형태이면서가장광범위하게적용되는분야중하나입니다. 일정한데이터집단을특정기준에따라분류하는것입니다. 예를들어, 경쟁사로이탈했거나이탈할가능성이있는고객을분류해볼수있습니다. 또는, 고객의구매이력과프로파일을바탕으로고객의성향을파악하여적절한제품을추천하는데에도쓰일수있습니다. 분류를위해사용되는대표적인데이터마이닝기법에는 KNN, SVM 알고리즘등이있습니다. 예측 (Forecasting) 5
7 대용량데이터집합내의패턴을기반으로미래를예측할수있습니다. 즉, 주어진데이터에근거하여모델을만들고해당모델을이용하여새 로운사례에대한예측을하는것으로생각할수있습니다. 군집화 (Clustering) 여러가지비슷한속성을공유하는몇개의집합으로구분하여군집을구성하도록합니다. 군집화는미리정의된속성에대한정보를가지지않는다는점에서분류와다릅니다. 연관성규칙 (Association) 장바구니분석 (Market Basket Analysis) 이라고도불리는연관성규칙은동시에발생한사건간의관계를정의합니다. 예를들어, 인터넷쇼핑몰및오프라인매장등에서고객이동시에구입하는상품들을분석하여함께판매되는패턴이강한연관된상품을찾는것입니다. 연속성 (Sequencing) 특정기간에걸쳐발생하는관계를규명합니다. 기간의특성을제외하면 연관성분석과유사하다고할수있습니다. 데이터마이닝의주요기법 마이닝은통계학에서부터패턴인식에이르는다양한계량기법을사용합니다. 데이터마이닝기법은통계학쪽에서발전한탐색적자료분석, 가설검정, 다변량분석, 시계열분석, 일반선형모형등의방법론과데이터베이스쪽에서발전한 OLAP ( 온라인분석처리 :On-Line Analytic Processing), 인공지능진영에서발전한 SOM, 신경망, 전문가시스템등의기술적인방법론이쓰입니다. 데이터마이닝에서사용되는대표적인기법은다음과같습니다. K- 최근접이웃알고리즘 (knn, k-nearest Neighbors) 6
8 그림 3. knn 알고리즘개념 knn 알고리즘은범주를알지못하는데이터가있을때, 학습데이터중 가장근접한 k 개의데이터를이용해범주를예측하는분류방법입니다. 범주가미리정해진학습데이터들과의거리를각각측정하여거리가가 장가까운 k 개의데이터중다수가속해있는범주의클래스로소속시키 게됩니다. 이미지나비디오에서얼굴과글자를인식하는컴퓨터비전 App, 개인별 추천영화예측, 특정단백질과질병을추출하는데사용하는유전자데 이터의패턴식별등에이용되는데이터마이닝기법입니다. 인공신경망 (ANN, Artificial Neural Network) 그림 4. 인공신경망개념 생물학의신경망에서영감을얻은통계학적학습알고리즘입니다. 시냅 스의결합으로네트워크를형성한인공뉴런이학습을통해시냅스의 7
9 결합세기를변화시켜문제해결능력을가지는비선형모델입니다. 일반적으로입력층 (Input Layer), 은닉층 (Hidden Layer), 출력층 (Output Layer) 로나뉘는다층인공신경망알고리즘을사용합니다. 은닉층에서는입력층에서입력변수를전달받아가중합을계산후, 전이함수에적용하여출력층으로전달합니다. 인공신경망은패턴인식, 금융시장예측, 금융기관에서의고객신용평점, 사기거래탐지, 기업파산가능성예측등에서활용됩니다. 유전알고리즘 자연계에서생물이다음세대에게유전자를전달하면서환경에적응한염색체가살아남도록교차와돌연변이에의해진화하는과정을모델링한것으로주어진문제에대한가능한해 (candidate solution) 들을컴퓨터상의유전자형태로표현한후이들을유전법칙과적자생존의법칙에따라점차진화시켜최종에는최적해에이르도록만드는방법입니다. 유전알고리즘은수치적함수의최적화, 환율변화예측, 이동로봇의경 로계획, 자연언어처리, 패턴인식등에서사용됩니다. 의사결정나무 (Decision Tree Learning) 그림 5. 의사결정나무를통한결정트리학습의예 특정타겟변수 (target variable) 에의해여러가지성질의데이터를보다유사한성질의소그룹으로분류하거나예측하는것을말합니다. 의사결정규칙을나무구조로도표화하여관심대상이되는집단을몇개의소집단으로분류하여수행합니다. 8
10 이런결정트리학습법은데이터마이닝에서일반적으로사용되는방법 론으로, 몇몇입력변수를바탕으로목표변수의값을예측하는모델을 생성하는것을목표로합니다. 주로 DB 마케팅, CRM, 시장조사, 의학연구, 품질관리등에서사용되고있 습니다. SVM(Support Vector Machine) 기계학습의한분야로 knn 과함께대표적인데이터분류기법입니다. 주어진데이터점들이두개의클래스안에각각속해있다고가정했을 때, 새로운데이터점이두클래스중어느곳에속하는지예측합니다. 일반적으로여러초평면 (Hyperplane) 들중에서가장가까운각클래스의 데이터점들간의거리 (Margin) 를최대로하는초평면을선택합니다. 그림 5. SVM 에서의초평면을통한분류개념 주로주가등락예측, 스팸메일분석, 이미지인식, 패턴인식, 텍스트분 류등에서활용됩니다. 이밖에주어진새로운문제를과거의유사한사례를바탕으로주어진문제의상 황에맞게응용하여해결해가는사례기반추론 (CBR) 과데이터안에존재하는항 목간의연관규칙 (association rule) 을발견하는연관성규칙등이있습니다. 데이터마이닝의다양한활용분야 대용량데이터베이스가구축되어있다면, 데이터마이닝을활용할수있습니다. 9
11 대표적으로데이터마이닝을활용하는예는주로다음과같습니다. 카드도용사고방지 (fraud detection) 위험관리 (risk management) 고객불만관리 (claim prevention) 고객유지 (customer retention, churn management) 고객유치 (customer acquisition) 고객세분화및프로파일링 (customer segmentation and profiling) 수요및판매예측 (forecasting) 가격산출 (pricing) 마케팅효과관리 (campaign effect analysis) 타겟마케팅 (target marketing) 텔레마케팅 (tele marketing) 다이렉트메일링 (direct mailing) 교차판매 (cross-selling/up-selling) 이외에산업별로데이터마이닝을활용할수있는분야는다음과같습니다. 소매업 생산품들간의각구매시점을이용하여생산품간의연광성을찾아내는 장바구니분석 시간에따른구매행위에대한지식을얻기위한시계열패턴조사 금융업 과거사기행위로판명된신용카드거래와행동패턴을분석하여사기 적발시스템구축. 특정고객집단을찾아내어차별화된서비스를제공하는고객집단분류 고객의시간에따른가치를예측하고, 이에따라개개의고객집단에알 10
12 맞은서비스제공하는라이프사이클예측관리 고객성향과소비패턴을분석한고객맞춤형상품설계 제조업 공정환경의복잡함, 작업의효율성및품질의우수성을동시에개선 공정과정의최적화, 에너지소비의최소 품질관리및자동화검사 보건의학 전염예방과관리및맞춤형의료서비스제공 유전체데이터를활용한질병예방 / 진단 / 처방 / 관리 질병예방관리시스템개발 에너지와공공산업 에너지수요량을예측하여날씨와변화와정전에신속대비 원유탐사에있어서지층의변화 데이터마이닝수행시고려사항 효과적이고효율적인데이터마이닝의결과를얻기위해서몇가지고려할만한 사항은다음과같습니다. 데이터의정리, 분류와선별 데이터마이닝수행에있어서가장중요한부분은마이닝의대상이되는데이터정확성입니다. 부정확한데이터의오류를수정해주는기법인데이터클리닝 (Data Cleaning) 을통해신속하고정확한데이터를얻어야합니다. 데이터가내포하는정확한의미의파악 데이터마이닝을수행하는프로그램은입력된데이터를프로그램의논 리에따라처리하는하나의도구에불과하며입력된데이터의의미파 악과결과해석은전적으로분석자의몫입니다. 따라서, 데이터가의미 11
13 하는정확한내용을알기위해서는분석하고자하는작업과관련한주 요업무에대한이해가필요합니다. 메타데이터 (Mete data) 와외부자료의활용 메타데이터는데이터의데이터를의미한다. 외부자료란외부시장의조 사기관등으로부터입수된자료를말합니다. 이러한자료를활용하면 큰수고를절약하면서의미있는정보를활용할수있게됩니다. 사용자의명확한대상규명과사용자요구의반영 현업인터뷰등을통하여사용자의요구를구체적으로파악하는작업이 개발초기단계에서수행되어야합니다. 고객정보의사생활침해문제 고객의정보를잘분석하여얼마나올바르게잘활용하느냐는인터넷비즈니스의핵심적과제인동시에사업자의윤리의식이반드시필요한부분이기도합니다. 인터넷을통해획득한고객데이터의활용은개인고객의프라이버시를침해하지않도록신중한고려가있어야합니다. 적합한툴 (Tool) 의선택과외부전문가의활용 데이터마이닝프로그램은제품별로강점과약점을가지고있기때문에기업의업종과활용분야를고려하여특성에맞는선정을하는것이좋습니다. Tool사용에있어서전문지식을갖춘개발자를굳이요구하지는않지만, 통계분석의가정과이에다른결과해석의한계를이해하는데는충분한경험의전문가의도움이필요합니다. 끝맺음 빅데이터시대가도래함에따라기업들에게있어서데이터마이닝의중요성은점차커지고있습니다. 기존의통계적분석도구나 OLAP은세워진모형이나가설에의거해이를검증하거나요약보고하는데초점을맞추고있는데반면, 데이터마이닝의목적은궁극적으로예측에초점을두고있습니다. 또한, 데이터마이닝에사용되는인공지능기법은그어떠한기법보다모형의 12
14 예측성과를높이는데가장우수한기법이기때문에점차적으로데이터마이닝 의중심이되어가고있습니다. 최근들어, 이미지와동영상및음악등의정형화되어있지않은데이터가폭증함에따라이들비정형데이터 (unstructured data) 의마이닝이중요해지고있으며이들데이터로부터기업에게유용한정보를찾아내는기법이나날이발전하고있습니다. 데이터가범람하고있는시대에서이들로부터유용한정보를찾아내어활용하는정도에따라기업의경쟁력이좌우되고있음을실감할수있습니다. 따라서, 데이터마이닝능력의보유여부는 4차산업혁명에서기업의가장핵심적인경쟁력이될것입니다. 글쓴이 김병희 데이터분석실 CTO, 주식회사골든와이어드 최사비나 데이터분석실연구원, 주식회사골든와이어드 참고자료 [1] 류혜경, 데이터마이닝의이해와적용사례 [2] Galit Shmueli, Nitin R. Patel, Peter C. Bruce( 조재희, 조성배 ), 비즈니스인텔리 전스를위한데이터마이닝 [3] 비정형데이터마이닝의이해, [4] 네이버지식백과, 비정형데이터마이닝 [5] 의료통신산업과공공부문의빅데이터활용과사례연구 [6] LGCNS, 데이터마이닝소개와분석방법, 13
15 [7] IBM, CRISP-DM 도움말개요, [8] 이현석, 지식경영과사례기반추론, [9] ( 유전알고리즘 ) Genetic Algorithm(GA) 2, 14
지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월
지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support
빅데이터_DAY key
Big Data Near You 2016. 06. 16 Prof. Sehyug Kwon Dept. of Statistics 4V s of Big Data Volume Variety Velocity Veracity Value 대용량 다양한 유형 실시간 정보 (불)확실성 가치 tera(1,0004) - peta -exazetta(10007) bytes in 2020
PowerPoint 프레젠테이션
2003 CRM (Table of Contents). CRM. 2003. 2003 CRM. CRM . CRM CRM,,, Modeling Revenue Legacy System C. V. C. C V.. = V Calling Behavior. Behavior al Value Profitability Customer Value Function Churn scoring
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : /45
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : 20049 0/45 Define ~ Analyze Define VOB KBI R 250 O 2 2.2% CBR Gas Dome 1290 CTQ KCI VOC Measure Process Data USL Target LSL Mean Sample N StDev (Within) StDev
슬라이드 1
Pairwise Tool & Pairwise Test NuSRS 200511305 김성규 200511306 김성훈 200614164 김효석 200611124 유성배 200518036 곡진화 2 PICT Pairwise Tool - PICT Microsoft 의 Command-line 기반의 Free Software www.pairwise.org 에서다운로드후설치
歯CRM개괄_허순영.PDF
CRM 2000. 8. KAIST CRM CRM CRM CRM :,, KAIST : 50%-60%, 20% 60%-80%. AMR Research 10.. CRM. 5. Harvard Business review 60%, 13%. Michaelson & Associates KAIST CRM? ( ),,, -,,, CRM needs,,, dynamically
歯목차45호.PDF
CRM CRM (CRM : Customer Relationship Management ). CRM,,.,,.. IMF.,.,. (CRM: Customer Relationship Management, CRM )., CRM,.,., 57 45 (2001 )., CRM...,, CRM, CRM.. CRM 1., CRM,. CRM,.,.,. (Volume),,,,,,,,,,
ecorp-프로젝트제안서작성실무(양식3)
(BSC: Balanced ScoreCard) ( ) (Value Chain) (Firm Infrastructure) (Support Activities) (Human Resource Management) (Technology Development) (Primary Activities) (Procurement) (Inbound (Outbound (Marketing
모듈 9
[1 차시 ] e-crm 과데이터마이닝의개요 1. CRM 과 e-crm 1) CRM의개념 CRM(Customer Relationship Management) 은고객에대한정확한이해를바탕으로고객이원하는제품과서비스를지속적으로공급함으로써고객을오래유지하여결과적으로고객의평생가치를극대화하고수익성을높이는통합된고객관리프로세스를말한다. 시장점유율보다는고객점유율을, 고객획득보다는고객유지를,
딥러닝 첫걸음
딥러닝첫걸음 4. 신경망과분류 (MultiClass) 다범주분류신경망 Categorization( 분류 ): 예측대상 = 범주 이진분류 : 예측대상범주가 2 가지인경우 출력층 node 1 개다층신경망분석 (3 장의내용 ) 다범주분류 : 예측대상범주가 3 가지이상인경우 출력층 node 2 개이상다층신경망분석 비용함수 : Softmax 함수사용 다범주분류신경망
강의록
Analytic CRM 2006. 5. 11 tsshin@yonsei.ac.kr Analytic CRM Analytic CRM Data Mining Analytical CRM in CRM Ecosystem Operational CRM Business Operations Mgmt. Analytical CRM Business Performance Mgmt. Back
PowerPoint 프레젠테이션
빅데이터분석의현재와미래 2018 동국대학교통계학과이영섭 yung@dongguk.edu 데이터마이닝 (Data Mining) 데이터마이닝과 KDD KDD (Knowledge Discovery in Data) 란? - 데이터에서숨겨져있는유용한패턴들을알아나가는전체적인과정 KDD 학회의변천사 - Knowledge Discovery in Databases(1989)
3Æí2Àå¨éÀç
333 442 443 1e 1.1 eecrmeprocurement e eelectronic e e IT 321 444 online offline e front back IT 445 2000 com 1 1.2 322 e e 10 potential customers 446 1.3 e 323 447 Michael Porter 323 2 value chain enterprise
04 Çмú_±â¼ú±â»ç
42 s p x f p (x) f (x) VOL. 46 NO. 12 2013. 12 43 p j (x) r j n c f max f min v max, j j c j (x) j f (x) v j (x) f (x) v(x) f d (x) f (x) f (x) v(x) v(x) r f 44 r f X(x) Y (x) (x, y) (x, y) f (x, y) VOL.
김경재 안현철 지능정보연구제 17 권제 4 호 2011 년 12 월
지능정보연구제 17 권제 4 호 2011 년 12 월 (pp.241~254) Support vector machines(svm),, CRM. SVM,,., SVM,,.,,. SVM, SVM. SVM.. * 2009() (NRF-2009-327- B00212). 지능정보연구제 17 권제 4 호 2011 년 12 월 김경재 안현철 지능정보연구제 17 권제 4 호
PowerPoint 프레젠테이션
[ 인공지능입문랩 ] SEOPT ( Study on the Elements Of Python and Tensorflow ) 인공지능 + 데이터분석목적 / 방법 / 기법 / 도구 + Python Programming 기초 + NumpyArray(Tensor) youngdocseo@gmail.com 1 *3 시간 / 회 구분일자내용비고 1 회 0309
.,,., PC, TV,,,, PC PC,,..,. computer computer computer computer 1. 2 PC 11. 3. ITS., TV . /,,, PC,, /. ,, TEXT ,, """ ", " " (ex: DHL ) (ex: 6 ) (ex: ) 4P 처음부터 구분해서 상품을 만들어라 4P 다양한 복합적인 혜택을 제공할
( 분류및특징 ) 학습방법에따라 1 지도학습 (Supervised 2 비지도 학습 (Unsupervised 3 강화학습 (Reinforcement 으로구분 3) < 머신러닝의학습방법 > 구분 지도학습 (Supervised 비지도학습 (Unsupervised 강화학습 (
보안연구부 -2016-016 머신러닝 (Machine 개요및활용동향 - 금융권인공지능 (AI) 을위한머신러닝과딥러닝 - ( 보안연구부보안기술팀 / 2016.3.24.) 개요 이세돌 9단과인공지능 (AI, Artificial Intelligence) 알파고 (AlphaGo) 의대국 ( 16 년 3월 9~15일총 5국 ) 의영향으로 4차산업혁명단계 1) 진입을인식함과더불어금융권에서도인공지능기술이주목받게됨에따라,
PowerPoint 프레젠테이션
CRM Fair 2004 Spring Copyright 2004 DaumSoft All rights reserved. INDEX Copyright 2004 DaumSoft All rights reserved. Copyright 2004 DaumSoft All rights reserved. Copyright 2004 DaumSoft All rights reserved.
Windows Server 2012
Windows Server 2012 Shared Nothing Live Migration Shared Nothing Live Migration 은 SMB Live Migration 방식과다른점은 VM 데이터파일의위치입니다. Shared Nothing Live Migration 방식은 Hyper-V 호스트의로컬디스크에 VM 데이터파일이위치합니다. 반면에, SMB
Microsoft Word - 001.doc
碩 士 學 位 論 文 CRM을 활용한 마케팅 전략의 개선방안에 관한 연구 - 국내 외 기업 사례분석을 중심으로 - Study on a method to improve marketing straegies using CRM - Focusing on example analysis of the national and international enterprises -
Intra_DW_Ch4.PDF
The Intranet Data Warehouse Richard Tanler Ch4 : Online Analytic Processing: From Data To Information 2000. 4. 14 All rights reserved OLAP OLAP OLAP OLAP OLAP OLAP is a label, rather than a technology
정보기술응용학회 발표
, hsh@bhknuackr, trademark21@koreacom 1370, +82-53-950-5440 - 476 - :,, VOC,, CBML - Abstract -,, VOC VOC VOC - 477 - - 478 - Cost- Center [2] VOC VOC, ( ) VOC - 479 - IT [7] Knowledge / Information Management
Oracle Apps Day_SEM
Senior Consultant Application Sales Consulting Oracle Korea - 1. S = (P + R) x E S= P= R= E= Source : Strategy Execution, By Daniel M. Beall 2001 1. Strategy Formulation Sound Flawed Missed Opportunity
생활과 통계
Chapter 1 데이터마이닝개요 전성해청주대학교 http://delab.cju.ac.kr shjun@cju.ac.kr 데이터분석으로미래예측 경영이쉽다. 조선일보, 2011년 8월 8일 ( 월 ) 11판 ( 조선경제 ) 내용 수백만명의고객정보 과거소비바탕으로성향파악 마케팅비용절반아낀에이비스 펩시, 시장변화감지대응해재고처리비용 6억달러줄여 실적큰기업, 데이터활용
Chapter 5 비즈니스인텔리젼스의기초 : 데이터베이스와정보관리
Chapter 5 비즈니스인텔리젼스의기초 : 데이터베이스와정보관리 Essentials of Management Information Systems Chapter. 5 비즈니스인텔리젼스의기초 : 데이터베이스와정보관리 학습목표 관계형데이터베이스가데이터를어떻게구성하고, 객체지향데이터베이스와어떠한차이가존재하는가? 데이테베이스관리시스템의원리는무엇인가? 기업의성과와의사결정력을향상시키기위한데이터베이스의정보에접근하기위한주요도구와기술들은무엇인가?
1-1-basic-43p
A Basic Introduction to Artificial Neural Network (ANN) 도대체인공신경망이란무엇인가? INDEX. Introduction to Artificial neural networks 2. Perceptron 3. Backpropagation Neural Network 4. Hopfield memory 5. Self Organizing
김기남_ATDC2016_160620_[키노트].key
![김기남_ATDC2016_160620_[키노트].key](/thumbs/85/91488855.jpg "김기남_ATDC2016_160620_[키노트].key")
metatron Enterprise Big Data SKT Metatron/Big Data Big Data Big Data... metatron Ready to Enterprise Big Data Big Data Big Data Big Data?? Data Raw. CRM SCM MES TCO Data & Store & Processing Computational
SAS Customer Intelligence SAS Customer Intelligence Suite은 기업이 당면한 다양한 마케팅 과제들을 해결하기 위한 최적의 통합 마케팅 제품군으로 전사적 마케팅 자원관리를 위한 Marketing Operation Manageme
Advanced Analytics 기반의 고객가치 극대화 SAS Customer Intelligence SAS 고객 인텔리전스 SAS Customer Intelligence SAS Customer Intelligence Suite은 기업이 당면한 다양한 마케팅 과제들을 해결하기 위한 최적의 통합 마케팅 제품군으로 전사적 마케팅 자원관리를 위한 Marketing
PowerPoint 프레젠테이션
I. 문서표준 1. 문서일반 (HY중고딕 11pt) 1-1. 파일명명체계 1-2. 문서등록정보 2. 표지표준 3. 개정이력표준 4. 목차표준 4-1. 목차슬라이드구성 4-2. 간지슬라이드구성 5. 일반표준 5-1. 번호매기기구성 5-2. 텍스트박스구성 5-3. 테이블구성 5-4. 칼라테이블구성 6. 적용예제 Machine Learning Credit Scoring
DW 개요.PDF
Data Warehouse Hammersoftkorea BI Group / DW / 1960 1970 1980 1990 2000 Automating Informating Source : Kelly, The Data Warehousing : The Route to Mass Customization, 1996. -,, Data .,.., /. ...,.,,,.
KD2002-27-02.hwp
개인의 지식창출시스템 구축을 위한 개념화 모델 16) 요 약 정보의 홍수를 이루고 있는 지식 정보사회에서 자신에게 가장 적합한 정보를 신속하게 받아들이 고, 이를 유의미한 지식으로 변형하여 적절한 상황에 활용할 수 있는 지식창출 능력은 매우 중요하 다. 현재까지 지식의 속성이나 인지활동은 여러 학자들에 의해 다양한 접근방법으로 연구되어 왔으 나, 이러한 연구들을
Ç¥Áö-¸ñÂ÷
http://www.keis.or.kr Analysis of HRD-Net Statistics Analysis of HRD-Net Statistics HRD-Net 2005 직업훈련동향 http://www.keis.or.kr Analysis of HRD-Net Statistics 2005 HRD-Net 통계분석 Analysis of HRD-Net Statistics
untitled
A Cooperative Marketing Strategy using Mobile Communications: The New OB Mobile Campaign 6000 5,544 4000 2,772 2000 1,386 460 0 2003 2004 2005 2006 AIDMA AIDMA Attention Attention,, Attention Interest
e- 11 (Source: IMT strategy 1999 'PERMISSION ' ) The World Best Knowledge Providers Network
e 메일 /DB 마케팅 E? E e http://www.hunet.co.kr The World Best Knowledge Providers Network e- 11 (Source: IMT strategy 1999 'PERMISSION email' ) http://www.hunet.co.kr The World Best Knowledge Providers Network
歯CRM-All.PDF
56. CRM 1. CRM,, CRM. CRM.. CRM, CRM. CRM,. CRM, < -1>. CRM 57 < -1> CRM - 1999CRM, 2000 9 - CRM 10-2001 3 5-1998 4 7 1 CRM - 1999 72000 4 (DW) - 2000 4CRM - 2000 92001 3 2 CRM - 1999 10 DB - 2000 2 5
Problem New Case RETRIEVE Learned Case Retrieved Cases New Case RETAIN Tested/ Repaired Case Case-Base REVISE Solved Case REUSE Aamodt, A. and Plaza, E. (1994). Case-based reasoning; Foundational
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 9 주차 예측모형에대한평가 Assessment of Predictive Model 최종후, 강현철 차례 6. 모형평가의기본개념 6.2 모델비교 (Model Comparison) 노드 6.3 임계치 (Cutoff) 노드 6.4 의사결정 (Decisions) 노드 6.5 기타모형화노드들
PowerPoint 프레젠테이션
ㆍ Natural Language Understanding 관련기술 ㆍ Semantic Parsing Conversational AI Natural Language Understanding / Machine Learning ㆍEntity Extraction and Resolution - Machine Learning 관련기술연구개발경험보유자ㆍStatistical
RHEV 2.2 인증서 만료 확인 및 갱신
2018/09/28 03:56 1/2 목차... 1 인증서 확인... 1 인증서 종류와 확인... 4 RHEVM CA... 5 FQDN 개인 인증서... 5 레드햇 인증서 - 코드 서명 인증서... 6 호스트 인증... 7 참고사항... 8 관련링크... 8 AllThatLinux! - http://allthatlinux.com/dokuwiki/ rhev_2.2_
PowerPoint 프레젠테이션
CRM Data Quality Management 2003 2003. 11. 11 (SK ) hskim226@skcorp.com Why Quality Management? Prologue,,. Water Source Management 2 Low Quality Water 1) : High Quality Water 2) : ( ) Water Quality Management
슬라이드 1
[ CRM Fair 2004 ] CRM 1. CRM Trend 2. Customer Single View 3. Marketing Automation 4. ROI Management 5. Conclusion 1. CRM Trend 1. CRM Trend Operational CRM Analytical CRM Sales Mgt. &Prcs. Legacy System
PowerPoint 프레젠테이션
2016 국내 100여개 선도기업이 채택한 비즈니스모델링 기법, INSIGHTORS의 비즈니스모델링 공개워크샵 2016년, 보다 새로운 내용으로 선보입니다. 비즈니스모델링 워크샵, 무엇이 다른가? Instructor G Official Master, 100여회 실전 수립 경험 100여개 기업에 대한 비즈니스모델 워크샵 및 컨설팅 경험을 바탕으로 신사업 아이디어
Microsoft PowerPoint - 3.공영DBM_최동욱_본부장-중소기업의_실용주의_CRM
中 규모 기업의 실용주의CRM 전략 (CRM for SMB) 공영DBM 솔루션컨설팅 사업부 본부장 최동욱 2007. 10. 25 Agenda I. 중소기업의 고객관리, CRM의 중요성 1. 국내외 CRM 동향 2. 고객관리, CRM의 중요성 3. CRM 도입의 기대효과 II. CRM정의 및 우리회사 적합성 1. 중소기업에 유용한 CRM의 정의 2. LTV(Life
<313120C0AFC0FCC0DA5FBECBB0EDB8AEC1F2C0BB5FC0CCBFEBC7D15FB1E8C0BAC5C25FBCF6C1A42E687770>
한국지능시스템학회 논문지 2010, Vol. 20, No. 3, pp. 375-379 유전자 알고리즘을 이용한 강인한 Support vector machine 설계 Design of Robust Support Vector Machine Using Genetic Algorithm 이희성 홍성준 이병윤 김은태 * Heesung Lee, Sungjun Hong,
Chap 6: Graphs
5. 작업네트워크 (Activity Networks) 작업 (Activity) 부분프로젝트 (divide and conquer) 각각의작업들이완료되어야전체프로젝트가성공적으로완료 두가지종류의네트워크 Activity on Vertex (AOV) Networks Activity on Edge (AOE) Networks 6 장. 그래프 (Page 1) 5.1 AOV
[Brochure] KOR_TunA
![[Brochure] KOR_TunA](/thumbs/95/123928128.jpg "[Brochure] KOR_TunA")
LG CNS LG CNS APM (TunA) LG CNS APM (TunA) 어플리케이션의 성능 개선을 위한 직관적이고 심플한 APM 솔루션 APM 이란? Application Performance Management 란? 사용자 관점 그리고 비즈니스 관점에서 실제 서비스되고 있는 어플리케이션의 성능 관리 체계입니다. 이를 위해서는 신속한 장애 지점 파악 /
[NO_11] 의과대학 소식지_OK(P)
![[NO_11] 의과대학 소식지_OK(P)](/thumbs/40/20572420.jpg "[NO_11] 의과대학 소식지_OK(P)")
진 의학 지식과 매칭이 되어, 인류의 의학지식의 수준을 높 여가는 것이다. 하지만 딥러닝은 블랙박스와 같은 속성을 가지고 있어서, 우리는 단지 결과만을 알 수 있기 때문에 이런 식의 의학지 식의 확장으로 이어지기는 힘들 수 있다는 것을 의미한다. 이것은 실제로 의학에서는 인공지능을 사용하게 될 때 여러 가지 문제를 만들 수 있다. 뿐만 아니라, 인간이 이해
연구보고서 2009-05 일반화선형모형 (GLM) 을이용한 자동차보험요율상대도산출방법연구 Ⅰ. 요율상대도산출시일반화선형모형활용방법 1. 일반화선형모형 2 연구보고서 2009-05 2. 일반화선형모형의자동차보험요율산출에적용방법 요약 3 4 연구보고서 2009-05 Ⅱ. 일반화선형모형을이용한실증분석 1. 모형적용기준 < > = 요약 5 2. 통계자료및통계모형
에듀데이터_자료집_완성본.hwp
단위학교성과제고를위한 교육여건개선방안탐색 모시는글 2012 년도에듀데이터활용학술대회프로그램 목차 n n [ 주제 1] 교육지원청수준에서기초학력결정요인분석연구 천세영 이성은 3 [ 주제 2] 비용함수모형에의한국 공립중학교적정교육비및가중치산출연구 오범호 윤홍주 엄문영 37 n n [ 주제 1] 토론 김영애 67 [ 주제 2] 토론 김성식 73 n n [ 주제
Data Industry White Paper
2017 2017 Data Industry White Paper 2017 1 3 1 2 3 Interview 1 ICT 1 Recommendation System * 98 2017 Artificial 3 Neural NetworkArtificial IntelligenceAI 2 AlphaGo 1 33 Search Algorithm Deep Learning IBM
Microsoft PowerPoint - 6.CRM_Consulting.ppt
고객DB로 가치를 창출해 내는 CRM 컨설팅 제안? 현장 CRM 컨설팅? 분석 CRM 컨설팅 AGENDA I. I. 공영 DBM 소개 II. II. III. III. IV. 컨설팅 구성 컨설팅 추진 방법론 CRM 컨설팅 사례 V. V. 컨설턴트 소개 -1- I-1 공영DBM 서비스 범위 I. 공영 DBM 소개? 공영DBM은 CRM Portal 전문기업으로써,
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 제 1 장 데이터마이닝의주요개념 Chapter 1 Concepts of Data Mining 강의자료제공 : 강현철교수 ( 호서대학교응용통계학과 ) 차례 1.1 데이터마이닝이란무엇인가? 1.2 데이터마이닝프로젝트의수행프로세스 1.3 데이터마이닝예측기법 1.4 Enterprise
회사소개 대 표 : James H. Goodnight 설립년도 : 1976 년 소 지 SAS Institute Inc. 재 : 미국노스캐롤라이나캐리시 사 : 전세계 51 개국의지사및 대리점보유 종업원수 : 약 4,500 명 사용자수 : 119 개국 30,000 사이트의
Data Warehousing to CRM 김성준한국쌔스소프트웨어주식회사 회사소개 대 표 : James H. Goodnight 설립년도 : 1976 년 소 지 SAS Institute Inc. 재 : 미국노스캐롤라이나캐리시 사 : 전세계 51 개국의지사및 대리점보유 종업원수 : 약 4,500 명 사용자수 : 119 개국 30,000 사이트의 300 만명이상
모수 θ의 추정량은 추출한 개의 표본값을 어떤 규칙에 의해 처리를 해서 모수의 값을 추정하는 방법입니다. 추정량에서 사용되는 규칙은 어떤 표본을 추출했냐에 따라 변하는 것이 아닌 고정된 규칙입니다. 예를 들어 우리의 관심 모수가 모집단의 평균이라고 하겠습니다. 즉 θ
수리통계학(Mathematical Statistics)의 기초 I. 들어가며 지금부터 계량경제학이나 실험 및 준실험 연구설계 기법을 공부할 때 도움이 되는 수리통계 학의 기초에 대해 다룰 것입니다. 이 노트에서 다루게 될 내용은 어떤 추정량(estimator)이 지니고 있는 성질입니다. 한 가지 말씀 드릴 것은 이 노트에 나오는 대부분의 성질들은 지금까 지
PBR200116_01.PDF
< > 1. - 1%, 3% - 3%,,, 5% - () 2002, () 2002, ( ) GDP 4.2% ( ) ( 4.2%) ( ) () ( 5.8%), 80 2. 1) : - - (EVA) EVA 2) - -, - - base-up, (Total Ris k) - CRO, -,,,, EVA,,, - -,, 3) (value netwo rk) - - - -
KCC2011 우수발표논문 휴먼오피니언자동분류시스템구현을위한비결정오피니언형용사구문에대한연구 1) Study on Domain-dependent Keywords Co-occurring with the Adjectives of Non-deterministic Opinion
KCC2011 우수발표논문 휴먼오피니언자동분류시스템구현을위한비결정오피니언형용사구문에대한연구 1) Study on Domain-dependent Keywords Co-occurring with the Adjectives of Non-deterministic Opinion 요약 본연구에서는, 웹문서로부터특정상품에대한의견문장을분석하는오피니언마이닝 (Opinion
Manufacturing6
σ6 Six Sigma, it makes Better & Competitive - - 200138 : KOREA SiGMA MANAGEMENT C G Page 2 Function Method Measurement ( / Input Input : Man / Machine Man Machine Machine Man / Measurement Man Measurement
. 1, 3,,., ICT(),,.. 2 3,.. Player (, ) IT,. 3,...,.
,. 2004-2011 ENTIER Consulting Inc. All rights reserved. . 1, 3,,., ICT(),,.. 2 3,.. Player (, ) IT,. 3,...,. 엔티어 가 제공하는 서비스 "엔티어컨설팅"에서는 향후 20~30년간의 메가트랜드를 예측하여 미래비즈니스 사 업군을 추출하고, 전세계 히트사업부터 국내 신성장동력 사업군과
W7_Business_ 제품설계
6가지 테마와 24단계 창업 프로그램 벤처창업 (START-UP) Week 7: 스타트업 바이블 Step 20, 21, 22, 23 ; 어떤 과정을 거쳐 제품을 기획하고 설계할까? Hansoo Kim, Ph.D YUST MIS / E-Biz Research Center / BNC ?????,!????,? (Linchpin,, )?? ),, SASA : :,,
보고싶었던 Deep Learning과 OpenCV를이용한이미지처리과정에대해공부를해볼수있으며더나아가 Deep Learning기술을이용하여논문을작성하는데많은도움을받을수있으며아직배우는단계에있는저에게는기존의연구를따라해보는것만으로도큰발전이있다고생각했습니다. 그래서이번 DSP스마
특성화사업참가결과보고서 작성일 2017 12.22 학과전자공학과 참가활동명 EATED 30 프로그램지도교수최욱 연구주제명 Machine Learning 을이용한얼굴학습 학번 201301165 성명조원 I. OBJECTIVES 사람들은새로운사람들을보고인식을하는데걸리는시간은 1초채되지않다고합니다. 뿐만아니라사람들의얼굴을인식하는인식률은무려 97.5% 정도의매우높은정확도를가지고있습니다.
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 1 주차 데이터마이닝의주요개념 1 Concepts of Data Mining1 최종후, 강현철 차례 1.1 데이터마이닝이란무엇인가? 1.2 데이터마이닝프로젝트의수행프로세스 - 2 - 1.1.1 정보기술의발달과데이터마이닝 각기업들의운영계에는이제정보분석을수행하기에충분핚용량의데이터가축적되고있다.
데이터베이스-4부0816
04 269 270 2012 Database White Paper 271 272 2012 Database White Paper 273 274 2012 Database White Paper 275 276 2012 Database White Paper 277 278 2012 Database White Paper 279 280 2012 Database White
ecorp-프로젝트제안서작성실무(양식4)
/ / Selling Point Solution Next Business Proposal 1 1 1 review 2 2 2 review Why What How (Service) / Knowledge Asset Library Risk Risk ( ) Risk. Risk Cost
#유한표지F
www.yuhan.ac.kr www.yuhan.ac.kr 대 학 요 람 2008 422-749 경기도 부천시 소사구 경인로 636(괴안동 185-34) Tel : 02)2610-0600 / 032)347-0600 유 한 대 학 대학요람 2008 2008 대학요람 설립자 유일한 박사의 숭고한 정신과 철학을 실천하는 대학 눈으로 남을 볼 줄 아는 사람은 훌륭한
2002년 2학기 자료구조
자료구조 (Data Structures) Chapter 1 Basic Concepts Overview : Data (1) Data vs Information (2) Data Linear list( 선형리스트 ) - Sequential list : - Linked list : Nonlinear list( 비선형리스트 ) - Tree : - Graph : (3)
Microsoft PowerPoint - SNR Data Mining pptx
개요 Definition DM is a process of identifying and/or extracting previousl y unknown, non-trivial, unanticipated, important inform ation from large sets of data. Wolfgang Martin- DM is the exploration and
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
소표본 ( PowerPoint Presentation
http://pdd4.webnode.kr/ e-business ch. 9. Big data & IoT Ph.D. Young-Min, Kyoung contents 데이터마이닝 의개요 개요 기계학습 데이터마이닝기법 데이터마이닝 기법기초 개요 C4.5 알고리즘 엔트로피 결정나무규칙생성 Part. 데이터마이닝 Part. 의사결정나무 (Decision Tree)
PowerPoint Presentation
데이터전처리 Data Preprocessing 02 데이터전처리개요 목차 1. 데이터전처리 2. 데이터품질 3. 데이터전처리단계 데이터전처리 (Data Preprocessing) - 02 데이터전처리개요 3 1. 데이터전처리 데이터분석단계 해석과평가 데이터마이닝 변환 지식 전처리 패턴 선택 목표데이터 전처리된데이터 변환된데이터 데이터 데이터전처리 (Data
<4D6963726F736F667420576F7264202D20C3D6BDC52049435420C0CCBDB4202D20BAB9BBE7BABB>
주간기술동향 2016. 2. 24. 최신 ICT 이슈 인공지능 바둑 프로그램 경쟁, 구글이 페이스북에 리드 * 바둑은 경우의 수가 많아 컴퓨터가 인간을 넘어서기 어려움을 보여주는 사례로 꼽혀 왔 으며, 바로 그런 이유로 인공지능 개발에 매진하는 구글과 페이스북은 바둑 프로그램 개 발 경쟁을 벌여 왔으며, 프로 9 단에 도전장을 낸 구글이 일단 한발 앞서 가는
IBM SPSS Statistics 제품 소개 (2017 Aug)
IBM SPSS Statistics 제품소개 -V25 및 Subscription 2017 Aug ecustomercare Center 담당자 ( 한국어지원 ) 무료전화 : 007986112156 메일주소 : ecareap@sg.ibm.com 2017 IBM Corporation IBM SPSS ü SPSS Statistics SPSS Modeler SPSS
외국인투자유치성과평가기준개발
2010 년도연구용역보고서 외국인투자유치의성과평가기준개발 - 2010. 10. - 이연구는국회예산정책처의연구용역사업으로수행된것으로서, 보고서의내용은연구용역사업을수행한연구자의개인의견이며, 국회예산정책처의공식견해가아님을알려드립니다. 책임연구원 국립부경대학교지역사회연구소권오혁 수신 : 대한민국국회예산정책처장귀하. 2010 10 : : : : 요약문 I. 서론 1.
consulting
CONSULTING 전략 컨설팅 클라우드 마이그레이션 애플리케이션 마이그레이션 데이터 마이그레이션 HELPING YOU ADOPT CLOUD. 클라우드로 가기로 결정했다면 누구와 함께 갈지를 선택해야 합니다. 처음부터 끝까지 믿을만한 파트너를 찾는다면 베스핀글로벌이 정답입니다. 전략 컨설팅 다양한 클라우드 공급자가 존재하고, 클라우드 공급자마다 다른 장단점을
Software Requirrment Analysis를 위한 정보 검색 기술의 응용
EPG 정보 검색을 위한 예제 기반 자연어 대화 시스템 김석환 * 이청재 정상근 이근배 포항공과대학교 컴퓨터공학과 지능소프트웨어연구실 {megaup, lcj80, hugman, gblee}@postech.ac.kr An Example-Based Natural Language System for EPG Information Access Seokhwan Kim
<BFACB1B831382D31355FBAF2B5A5C0CCC5CD20B1E2B9DDC0C720BBE7C0CCB9F6C0A7C7E820C3F8C1A4B9E6B9FD20B9D720BBE7C0CCB9F6BBE7B0ED20BFB9C3F8B8F0C7FC20BFACB1B82D33C2F7BCF6C1A E687770>
Ⅳ. 사이버사고예측모델개발 사이버보험시장활성화를위해서는표준데이터개발이필요하다. 이를위하여이전장에서는빅데이터기반의사이버위험측정체계를제안하였다. 본장에서는제안된사이버위험지수를이용하여사이버사고 (Cyber Incident) 를예측하는모델을개발하고자한다. 이는향후정확한보험금산출에기여할것으로기대한다. 최근빅데이터, 인공지능 (Artificial Intelligence),
<B5A5C0CCC5CDB8B6C0CCB4D72DBED5BACEBCD32E687770>
Copyright c 2006 John Wiley & Sons, Inc. All Rights Reserved. Authorized translation of the edition published by John Wiley & Sons New York, Chichester, Brisbane, Singapore and Toronto. No part of this
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.
BSC Discussion 1
Copyright 2006 by Human Consulting Group INC. All Rights Reserved. No Part of This Publication May Be Reproduced, Stored in a Retrieval System, or Transmitted in Any Form or by Any Means Electronic, Mechanical,
Microsoft PowerPoint - 10주차.pptx
데이터마이닝 2016.08 충북대학교조완섭 목차 데이터마이닝의개관 연관규칙 분류 군집화 데이터마이닝의다른문제들 데이터마이닝의응용들 데이터마이닝도구 2016-09-30 CBU / MIS 2 데이터마이닝 (DM) 개요 대용량데이터로부터패턴과규칙형태의새로운지식을발견하는작업 데이터마이닝결과가실질적으로유용하려면대용량의파일들이나데이터베이스에대하여마이닝과정이수행되어야하며,
슬라이드 0
지능형보험부당청구탐지와예측 위세아이텍 김상수 0 11 부당청구탐지서비스의차별적경쟁우위를확보하기위함임 도입배경 프로젝트목적 효과적조사대상선정 보험부당청구세그먼트별탐지모형차별화 머신러닝기반탐지정확도향상 기대효과 최신기술기반민첩한탐지 머신러닝을이용한데이터기반모형 학습과탐지모형의구조화 보험사기는해마다다양한방법으로 10% 씩증가하는추세이다. 2016 년한해동안적발된보험사기금액은전년대비
Ch 1 머신러닝 개요.pptx
Chapter 1. < > :,, 2017. Slides Prepared by,, Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 1.1 3 1.2... 7 1.3 10 1.4 16 1.5 35 2 1 1.1 n,, n n Artificial
<4D F736F F F696E74202D203137C0E55FBFACBDC0B9AEC1A6BCD6B7E7BCC72E707074>
SIMATIC S7 Siemens AG 2004. All rights reserved. Date: 22.03.2006 File: PRO1_17E.1 차례... 2 심벌리스트... 3 Ch3 Ex2: 프로젝트생성...... 4 Ch3 Ex3: S7 프로그램삽입... 5 Ch3 Ex4: 표준라이브러리에서블록복사... 6 Ch4 Ex1: 실제구성을 PG 로업로드하고이름변경......
R t-..
R 과데이터분석 집단의차이비교 t- 검정 양창모 청주교육대학교컴퓨터교육과 2015 년겨울 t- 검정 변수의값이연속적이고정규분포를따른다고할때사용 t.test() 는모평균과모평균의 95% 신뢰구간을추청함과동시에가설검증을수행한다. 모평균의구간추정 - 일표본 t- 검정 이가설검정의귀무가설은 모평균이 0 이다 라는귀무가설이다. > x t.test(x)
CRM A Study on the Datawarehousing build_up methodology for CRM System : 2001 7 10
CRM A Study on the Datawarehousing build_up methodology for CRM System 2000 CRM A Study on the Datawarehousing build_up methodology for CRM System : 2001 7 10 2 2 20 CRM CRM,,,, CRM CRM CRM,,, CRM 2, Abstract
No Title
昤 昤 昤 ...43 ...45 ...45 ...59 (1-)...63 (1-)...63 ...68 (1)...71 [2-1] CRM... 11 [2-2] CRM...20 [2-3]...39 [3-1]...46 [3-2]...47 [3-3]...48 [3-4]...49 [3-5]...49
열거형 교차형 전개형 상승형 외주형 회전형 도해패턴 계층형 구분형 확산형 합류형 대비형 상관형 (C) 2010, BENESO All Rights Reserved 2
c 2010, BENESO All rights reserved 1 열거형 교차형 전개형 상승형 외주형 회전형 도해패턴 계층형 구분형 확산형 합류형 대비형 상관형 (C) 2010, BENESO All Rights Reserved 2 u 열거형 : 대소, 위치등의관계에대해설명 u 교차형 : 중복, 합동, 복합, 공동등의관계에대해설명 설명도, 대소관계도, 제휴관계도,
BMP 파일 처리
BMP 파일처리 김성영교수 금오공과대학교 컴퓨터공학과 학습내용 영상반전프로그램제작 2 Inverting images out = 255 - in 3 /* 이프로그램은 8bit gray-scale 영상을입력으로사용하여반전한후동일포맷의영상으로저장한다. */ #include #include #define WIDTHBYTES(bytes)
PowerPoint Template
16-1. 보조자료템플릿 (Template) 함수템플릿 클래스템플릿 Jong Hyuk Park 함수템플릿 Jong Hyuk Park 함수템플릿소개 함수템플릿 한번의함수정의로서로다른자료형에대해적용하는함수 예 int abs(int n) return n < 0? -n : n; double abs(double n) 함수 return n < 0? -n : n; //
슬라이드 1
대중을위한빅데이터 CDS 를위한분석 2018. 4. 11 ( 수 ) 2018 BI Conference 비아이매트릭스윤성웅수석컨설턴트 Copyright (c) BI MATRIX Co., Ltd. 2016. All rights reserved. 생각의시작점 아는것과실행하는것은많은차이가있다. http://uproxx.com/movies/matrix-best-lines/
PowerPoint 프레젠테이션
Post - Internet Marketing Contents. Internet Marketing. Post - Internet Marketing Trend. Post - Internet Marketing. Paradigm. . Internet Marketing Internet Interactive Individual Interesting International
SW¹é¼Ł-³¯°³Æ÷ÇÔÇ¥Áö2013
SOFTWARE ENGINEERING WHITE BOOK : KOREA 2013 SOFTWARE ENGINEERING WHITE BOOK : KOREA 2013 SOFTWARE ENGINEERING WHITE BOOK : KOREA 2013 SOFTWARE ENGINEERING WHITE BOOK : KOREA 2013 SOFTWARE ENGINEERING
EEAP - Proposal Template
ArcMap 에서좌표체계설정및관리 제품 : ArcGIS Desktop 제작일 : 2018 년 8 월 28 일 제작 : 한국에스리기술지원본부 개요 본문서는 ArcGIS Desktop 에서공간데이터의좌표체계를설정및관리하기위한 기본적인사용방법을정리한한국에스리기술문서입니다. 이문서와관련된내용에대한문의 / 건의등을원하신다면, 다음의연락망을통하여 한국에스리기술지원센터로연락주시기바랍니다.
Model Investor MANDO Portal Site People Customer BIS Supplier C R M PLM ERP MES HRIS S C M KMS Web -Based
e- Business Web Site 2002. 04.26 Model Investor MANDO Portal Site People Customer BIS Supplier C R M PLM ERP MES HRIS S C M KMS Web -Based Approach High E-Business Functionality Web Web --based based KMS/BIS
Windows 8에서 BioStar 1 설치하기
/ 콘텐츠 테이블... PC에 BioStar 1 설치 방법... Microsoft SQL Server 2012 Express 설치하기... Running SQL 2012 Express Studio... DBSetup.exe 설정하기... BioStar 서버와 클라이언트 시작하기... 1 1 2 2 6 7 1/11 BioStar 1, Windows 8 BioStar
에너지경제연구 Korean Energy Economic Review Volume 17, Number 2, September 2018 : pp. 1~29 정책 용도별특성을고려한도시가스수요함수의 추정 :, ARDL,,, C4, Q4-1 -
에너지경제연구 Korean Energy Economic Review Volume 17, Number 2, September 2018 : pp. 1~29 정책 용도별특성을고려한도시가스수요함수의 추정 :, ARDL,,, C4, Q4-1 - . - 2 - . 1. - 3 - [ 그림 1] 도시가스수요와실질 GDP 추이 - 4 - - 5 - - 6 - < 표 1>
분석기법의기본개념부터활용까지사례중심의 A to Z 학습 데이터분석기본 교육기간 : 3 일 (24 시간 )/ 비합숙 교육비 : 회원 62 만원 / 비회원 69 만원 데이터분석핵심이론학습및현업에적용 현장에서발생하는변수를이해하고상황에따른최적화방안도출 품질향상을위한부적합원인도
인간이사용하는언어를분석하는기법과다양한데이터를그래프로표현하는방법학습 텍스트데이터수집과감성분석 인터넷에있는다양한비정형데이터수집 고객이회사의어떤서비스에불만을갖는지를자동으로분석 분석된결과를데이터의특징에맞게다양한그래프로표현 데이터분석실무자, 마케팅기획실무담당자 비정형데이터분석 데이터시각화 사용자언어의분석과시각화 키워드 / 감성분석 형태소분석 분석결과시각화 비정형데이터의수집,
(2) 다중상태모형 (Hyunoo Shim) 1 / 2 (Coninuous-ime Markov Model) ➀ 전이가일어나는시점이산시간 : = 1, 2,, 4,... [ 연속시간 : 아무때나, T 1, T 2... * 그림 (2) 다중상태모형 ➁ 계산과정 이산시간 : 전이력 (force of ransiion) 정의안됨 전이확률 (ransiion probabiliy)