목차
1.1~1.5 A형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
2.1~2.5 B형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
3.1~3.5 C형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
4.1~4.5 D형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
5.1~5.5 E형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
6.1~6.5 F형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
7.1~7.5 G형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
2.1~2.5 B형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
3.1~3.5 C형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
4.1~4.5 D형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
5.1~5.5 E형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
6.1~6.5 F형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
7.1~7.5 G형의 적용시스템 추천이유 및 적용기술과 적용방법 소개
본문내용
산 감정평가란 주택이 주어지면 유사한 주택의 판매가격 지식을 기반으로 해당 주택의 시가를 예측하는 것 훈련 집합은 입력된 모든 값의 범위를 망라해야한다. 부동산 감정평가를 위한 훈련 집합은 크고 작은 주택, 비싸고 싼 주택, 주자창이 있는 주택과 없는 주택들을 포함해야 한다.
4.4 적용방법 소개
훈련 집합의 크기가 언제 ‘충분히 크게’ 되는지 결정하는 방법
Widrow의 방법 : 훈련예제의 적절한 개수를 예측
N: 훈련 예제의 개수
: 신경망에서 시냅스 가중치의 개수
e: 테스트에서 허용된 신경망 에러
4.5 결론
신경망은 모두 입력과 출력이 0~1 범위에서 변할 때 가장 잘 작동한다. 그러므로 신경망 모델에 데이터를 사용하기 전에 데이터를 정규화 해야한다.
정규화된 값 = (실제 값 - 최소 값) / (최대 값 - 최소 값)
5.1 아이리스 식물을 여러 종류로 나눈 후, 임의의 아이리스 식물에 대해 해당 종류를 결정하는 지능형 시스템 - 인공신경망
5.2 적용시스템 추천 이유
신경망은 예측, 분류, 군집화 문제에 성공적으로 적용했던 매우 갈력한 범용 도구이다.
언어 및 문자인식, 사기 거래 탐지, 심장병 진다, 프로세스 제어, 로보틱스, 환율 예측, 레이더 표적 탐지 및 구별 들 다양한 분야에서 사용된다.
신경망은 이진 데이터와 연속 데이터를 다룰 수 있고, 복잡한 분야에서 좋은 결과를 만들어내기 때문에 인기가 많다.
5.3 적용기술 소개
군집화는 입력 공간을 영역으로 나누는 과정으로, 각 영역은 특정출력과 관련된다. 이 사례 연구를 위해 세 종류의 아이리스 식물(setosa, versicolor, virginica) 데이터 150개를 사용할 것이다.데이터 집합에 있는 각 식물은 변수 4개(꽃받침 길이, 꽃받침 폭, 꽃잎 길이, 꽃잎 폭)로 표현한다. 꽃받침 길이는 4.3~7.9cm, 꽃받침 폭은 2.0cm~4.4cm, 꽃잎 길이는 1.0cm~6.9cm, 꽃잎 폭은 0.1cm~2.5cm 범위에 속한다.
경쟁 신경망에서 각 입력 뉴런은 입력 하나에 대응하고, 각 경쟁 뉴런은 군집 하나를 표현한다.
아이리스 식물 분류 문제를 푸는 신경망은 입력층에 뉴런4개, 경쟁 층에 뉴런 3개로 이루어진다.
5.4 적용방법 소개
아이리스 데이터를 정규화하기 위해 수행했던 과정을 거꾸로 수행한다.
5.5 결론
신경망의 훈련이 끝나면 같은 종류를 표현하는 입력 표본 집합을 신경망에 들여보내고, 경쟁에서 거의 대부분 이긴 출력 뉴런이 해당 종류의 이름을 받는다.
6.1 순회 판매원 문제, 최적의 여행 계획을 세울 수 있는 지능 시스템
- 유전 알고리즘
6.2 적용시스템 추천 이유
유전 알고리즘은 여러 가지 최적화 문제에 적용할 수 있다(Haupt와Haupt,1998).
최적화란 본질적으로 어떤 문제에 대해 좀 더 만족스러운 해를 찾아내는 과정이다. 이는
문제의 해가 하나 이상이고, 그 품질이 모두 다르다는 뜻이다.
유전 알고리즘은 경쟁하는 후보 해집단을 생성하고, 자연 도태 과정을 통해 해집단을
진화하게 한다. 품질이 나쁜 해는 멸종하기 쉬운 반면, 품질이 좋은 해는 살아남아
재생산된다. 유전 알고리즘은 이 과정을 몇 번이고 반복함으로써 최적 해를 번식시킨다.
6.3 적용기술 소개
유전알고리즘으로 TSP 풀기
1~9 사이의 숫자로 나타내는 도시가 9개 있다고 하자. 염색체에서 정수의 순서는 판매원이 방문하는 도시의 순서를 나타낸다. 이를테면, 다음 염색체는 그림과 같은 경로를 나타낸다
판매원은 도시1에서 출발하여 다른 모든 도시를 한 번씩 방문하고 시작점으로 돌아온다.
연산자는 대체로 한쪽 부모에서 경로의 일부를 고르고, 다른쪽 부모에서는 도시의 순서를 보존하여 자식을 만드는 방법에 바탕을 둔다. [그림 9-29]는 교차 연산자가 작동하는 방법을 보여준다.
먼저 부모 각각의 염색체 문자열에서 임의로 두 교차점(문자‘ | ’로 표시함)을 균등하게 고른다. 교차점 사이의 유전 정보는 교환 구역을 정의한다. 부모 간에 교환 구역을 교환함으로써 자식 둘의 염색체가 만들어진다. [그림 9-29]에서 별표(*)는 아직 정해지지 않은 도시를 나타낸다.
그 다음으로 각 부모에 있던 원래 도시를 다른 부모의 교환 구역에 있는 것은 제외하고 원래 순서대로 놓는다. 이를테면, 첫째 부모는 도시 3, 2, 8, 4를 둘째 부모의 교환 구역에 있는 도시 1, 9, 4, 8과 교환한다. 그리고 남은 도시들은 원래 순서를 보존하면서 자식으로 들어간다. 그 결과 자식은 부모 각각에 따라 부분적으로 정해진 경로를 나타낸다.
6.4 적용방법 소개
해집단의 크기를 늘리고 GA를 다시 실행해보자. [그림9-32]의 (a)를 보면 경로의 전체 길이가 무려20% 줄어들었다. 결과가 매우 향상되었음을 볼 수 있다.
6.5 결론
유전 알고리즘은 최적화 문제를 해결하는 기법의 하나이고 또한 세대, 인구 등의 용어도 문제 풀이 과정에서 사용할 수 있다.
7.1 심장 사신에서 심근 관류를 진단하는 지능 시스템 -
퍼지 의사 결정 지원 시스템
7.2 적용시스템 추천 이유
복잡한 현실 문제를 풀 때는 전문가 시스템, 퍼지 논리, 인공 신경망, 진화 연산의 장점을 결합한 복합 지능 시스템을 이용해야 한다.
여러 장점을 결합한 하이브리드 지능 시스템은 특정 분야에 대한 인간적인 전문 지식과 급변하는 환경에서 학습하고 적응하는 능력을 통합할 수 있다.
7.3 적용기술 소개
의사들이 SPECT 영상을 분류할 때 정확한 기준이 있는 것은 아니다. 심장병 전문의는 진단 영상에 있는 모든 관류를 조사하고, 부하기 영상과 안정기 영상별로 해당 심근 구역의 밝기도 비교한다. 사실 의사는 심근의 이상을 발견할 때 흔히 경험과 직관에 따른다.
[그림 9-33]~[그림 9-35]는 퍼지 시스템에서 사용하는 언어변수의 퍼지집합을 보여준다.
7.4 적용방법 소개
7.5 결론
[그림 9-37]은 심장병이 발병할 위험을 추정하는 뉴로-퍼지 의사 결정 지원 시스템의 완전한 구조를 보여준다. 이 시스템을 구축하기 위해 MATLAB Neural Network Toolbox와 MATLAB Fuzzy Logic Toolbox를 사용할 수 있다.
4.4 적용방법 소개
훈련 집합의 크기가 언제 ‘충분히 크게’ 되는지 결정하는 방법
Widrow의 방법 : 훈련예제의 적절한 개수를 예측
N: 훈련 예제의 개수
: 신경망에서 시냅스 가중치의 개수
e: 테스트에서 허용된 신경망 에러
4.5 결론
신경망은 모두 입력과 출력이 0~1 범위에서 변할 때 가장 잘 작동한다. 그러므로 신경망 모델에 데이터를 사용하기 전에 데이터를 정규화 해야한다.
정규화된 값 = (실제 값 - 최소 값) / (최대 값 - 최소 값)
5.1 아이리스 식물을 여러 종류로 나눈 후, 임의의 아이리스 식물에 대해 해당 종류를 결정하는 지능형 시스템 - 인공신경망
5.2 적용시스템 추천 이유
신경망은 예측, 분류, 군집화 문제에 성공적으로 적용했던 매우 갈력한 범용 도구이다.
언어 및 문자인식, 사기 거래 탐지, 심장병 진다, 프로세스 제어, 로보틱스, 환율 예측, 레이더 표적 탐지 및 구별 들 다양한 분야에서 사용된다.
신경망은 이진 데이터와 연속 데이터를 다룰 수 있고, 복잡한 분야에서 좋은 결과를 만들어내기 때문에 인기가 많다.
5.3 적용기술 소개
군집화는 입력 공간을 영역으로 나누는 과정으로, 각 영역은 특정출력과 관련된다. 이 사례 연구를 위해 세 종류의 아이리스 식물(setosa, versicolor, virginica) 데이터 150개를 사용할 것이다.데이터 집합에 있는 각 식물은 변수 4개(꽃받침 길이, 꽃받침 폭, 꽃잎 길이, 꽃잎 폭)로 표현한다. 꽃받침 길이는 4.3~7.9cm, 꽃받침 폭은 2.0cm~4.4cm, 꽃잎 길이는 1.0cm~6.9cm, 꽃잎 폭은 0.1cm~2.5cm 범위에 속한다.
경쟁 신경망에서 각 입력 뉴런은 입력 하나에 대응하고, 각 경쟁 뉴런은 군집 하나를 표현한다.
아이리스 식물 분류 문제를 푸는 신경망은 입력층에 뉴런4개, 경쟁 층에 뉴런 3개로 이루어진다.
5.4 적용방법 소개
아이리스 데이터를 정규화하기 위해 수행했던 과정을 거꾸로 수행한다.
5.5 결론
신경망의 훈련이 끝나면 같은 종류를 표현하는 입력 표본 집합을 신경망에 들여보내고, 경쟁에서 거의 대부분 이긴 출력 뉴런이 해당 종류의 이름을 받는다.
6.1 순회 판매원 문제, 최적의 여행 계획을 세울 수 있는 지능 시스템
- 유전 알고리즘
6.2 적용시스템 추천 이유
유전 알고리즘은 여러 가지 최적화 문제에 적용할 수 있다(Haupt와Haupt,1998).
최적화란 본질적으로 어떤 문제에 대해 좀 더 만족스러운 해를 찾아내는 과정이다. 이는
문제의 해가 하나 이상이고, 그 품질이 모두 다르다는 뜻이다.
유전 알고리즘은 경쟁하는 후보 해집단을 생성하고, 자연 도태 과정을 통해 해집단을
진화하게 한다. 품질이 나쁜 해는 멸종하기 쉬운 반면, 품질이 좋은 해는 살아남아
재생산된다. 유전 알고리즘은 이 과정을 몇 번이고 반복함으로써 최적 해를 번식시킨다.
6.3 적용기술 소개
유전알고리즘으로 TSP 풀기
1~9 사이의 숫자로 나타내는 도시가 9개 있다고 하자. 염색체에서 정수의 순서는 판매원이 방문하는 도시의 순서를 나타낸다. 이를테면, 다음 염색체는 그림과 같은 경로를 나타낸다
판매원은 도시1에서 출발하여 다른 모든 도시를 한 번씩 방문하고 시작점으로 돌아온다.
연산자는 대체로 한쪽 부모에서 경로의 일부를 고르고, 다른쪽 부모에서는 도시의 순서를 보존하여 자식을 만드는 방법에 바탕을 둔다. [그림 9-29]는 교차 연산자가 작동하는 방법을 보여준다.
먼저 부모 각각의 염색체 문자열에서 임의로 두 교차점(문자‘ | ’로 표시함)을 균등하게 고른다. 교차점 사이의 유전 정보는 교환 구역을 정의한다. 부모 간에 교환 구역을 교환함으로써 자식 둘의 염색체가 만들어진다. [그림 9-29]에서 별표(*)는 아직 정해지지 않은 도시를 나타낸다.
그 다음으로 각 부모에 있던 원래 도시를 다른 부모의 교환 구역에 있는 것은 제외하고 원래 순서대로 놓는다. 이를테면, 첫째 부모는 도시 3, 2, 8, 4를 둘째 부모의 교환 구역에 있는 도시 1, 9, 4, 8과 교환한다. 그리고 남은 도시들은 원래 순서를 보존하면서 자식으로 들어간다. 그 결과 자식은 부모 각각에 따라 부분적으로 정해진 경로를 나타낸다.
6.4 적용방법 소개
해집단의 크기를 늘리고 GA를 다시 실행해보자. [그림9-32]의 (a)를 보면 경로의 전체 길이가 무려20% 줄어들었다. 결과가 매우 향상되었음을 볼 수 있다.
6.5 결론
유전 알고리즘은 최적화 문제를 해결하는 기법의 하나이고 또한 세대, 인구 등의 용어도 문제 풀이 과정에서 사용할 수 있다.
7.1 심장 사신에서 심근 관류를 진단하는 지능 시스템 -
퍼지 의사 결정 지원 시스템
7.2 적용시스템 추천 이유
복잡한 현실 문제를 풀 때는 전문가 시스템, 퍼지 논리, 인공 신경망, 진화 연산의 장점을 결합한 복합 지능 시스템을 이용해야 한다.
여러 장점을 결합한 하이브리드 지능 시스템은 특정 분야에 대한 인간적인 전문 지식과 급변하는 환경에서 학습하고 적응하는 능력을 통합할 수 있다.
7.3 적용기술 소개
의사들이 SPECT 영상을 분류할 때 정확한 기준이 있는 것은 아니다. 심장병 전문의는 진단 영상에 있는 모든 관류를 조사하고, 부하기 영상과 안정기 영상별로 해당 심근 구역의 밝기도 비교한다. 사실 의사는 심근의 이상을 발견할 때 흔히 경험과 직관에 따른다.
[그림 9-33]~[그림 9-35]는 퍼지 시스템에서 사용하는 언어변수의 퍼지집합을 보여준다.
7.4 적용방법 소개
7.5 결론
[그림 9-37]은 심장병이 발병할 위험을 추정하는 뉴로-퍼지 의사 결정 지원 시스템의 완전한 구조를 보여준다. 이 시스템을 구축하기 위해 MATLAB Neural Network Toolbox와 MATLAB Fuzzy Logic Toolbox를 사용할 수 있다.
키워드
추천자료
- 전라남북도 폐기물발생및 처리현황과 방향
- [조직][조직문화][기업문화][조직행동]조직의 정의, 조직의 원리, 조직의 특성과 조직의 구성...
- 남부 지방의 생활- 관광산업이 발달한 제주도-활발한 관광 산업
- 중국어 교육 어떻게 할까(제1장~제6장)
- 국민기초 생활보장제도
- 공공부조법인 국민기초생활보장법에 대한 장점과 사회복지법의 개정방안 및 의견을 제시
- 사회복지실천론_ 사회복지실천과정에서 자료수집과 사정
- 아동문학의 여러 장르 중에서 어린 영아에게 접근 해 볼만한 것은 무엇이며 효과적인 접근방...
- [사회복지개론] 학교사회복지(學敎社會福祉) - 학교사회복지사업의 의의, 학교사회복지사업의...
- [개인심리학적 집단상담] 개인심리학적 상담기법, 상담자의 역할, 집단상담과정, 개인심리학...
- [유아발달검사] Miller(밀러) 유아용 평가검사(MAP), First STEP 유아용 선별검사, 유아선별...
- [교육사] 원효 - 우리나라 고대에서 근대에 이르기까지의 대표적 교육사상가 중 1명을 선정, ...
- [간호학] 학교 보건인력의 직무와 역할
- [사회복지실천기술] 사회복지실천기술의 정의와 유형 개인대상-집단대상-가족대상-지역사회대...
소개글