|
, 동국대학교 Ⅰ. 개요
Ⅱ. 신경망의 특성과 학습기능
Ⅲ. 신경망의 태동
Ⅳ. 신경망의 구조
Ⅴ. 신경망의 이용
Ⅵ. 신경망의 활용사례
1. Input
2. Filter1
3. Simulator
4. MLP1
5. Text1
6. Output1
Ⅶ. 향후 신경망의 전망
참고문헌
|
|
|
정의
2. 인공지능의 종류
3. 인공지능 활용분야
4. 인공지능의 역사
5. 인공지능의 현주소
6. 인공지능의 우리생활 활용사례
7. 인공지능의 윤리적 문제
8. 인공지능의 미래전망
9. 인공지능이 향후 나아갈방향 제시
|
|
|
신경망
6. 사례기준 추론 시스템
7. 퍼지 이론
8. 유전적 프로그래밍
9. 가상현실
4장. 전문가시스템과 신경망이론
1. 전문가시스템
2. 신경망 이론
5장. 인공지능의 문제점과 대응
6장. 인공지능의 향후전망
|
|
|
1) 퍼지집합(Fuzzy Sets)
2) 퍼지숫자의 대수
3) 언어측정 변수
Ⅵ. 퍼지와 퍼지컴퓨터
Ⅶ. 퍼지와 진화연산 응용 사례
Ⅷ. 퍼지와 성과측정방법 비교
1. 재무적 관점
2. 고객관점
3. 내부적 관점
4. 혁신관점
Ⅸ. 결론
참고문헌
|
|
|
전략
(1) 네이버의 '하이퍼클로바X' 계획
(2) 카카오의 코GPT를 활용한 서비스 론칭 예정
5. 인공지능의 미래와 전망
(1) 기계의 창작 능력과 생성형 인공지능의 역할
(2) 사람 중심의 AI 발전을 통한 긍정적인 변화의 가능성
6. 참고문헌
|
|
 |
신경망
4. 모형의 평가
10강. CRM전략의 수립
1. 고객전략으로서의 CRM
2. 전사적 crm 전략수립단계
3. CRM 프로세스 전략 프레임워크
11강 CRM 중심의 마케팅 전략
1. 기존 마케팅 vs CRM 중심의 마케팅
2. 캠페인 관리
3. 로열티 프로그램
4. 이
|
|
|
전망.
제 5절 국내 전자무역 성공사례.
1. 국내
1. 1 삼성전자 - 무역자동화.
1. 2 EC21.
2. 해외.
2. 1 아마존 - 전자상거래.
2. 2 이베이.
제 6절 글로벌 전자무역 네트워크 구축방안.
제 7절 전자 무역의 활성화 방안.
제 3 장 결 론
|
|
|
사례 연구
1. 광주광역시 가로등 개선 사례 연구 ....................................................... 5
2. 강원도 원주시 가로등 개선 사례 연구 ................................................. 9
제 3 장 에너지 효율적 가로등의 개선이 도시환
|
|
|
구조 및 성격
3. 디자인산업 분류 및 중요성
Ⅲ. 디자인산업의 정책 현황과 전망 및 문제점
1. 디자인산업의 정책 현황
2. 디자인산업의 전망
3. 디자인산업의 문제점
Ⅳ. 한국 디자인산업의 SWOT분석
1. 강점(strength)
2. 약점(weakness)
3. 기
|
|
|
중심의 한국형 지역혁신체계 구축방안
제1절 중소기업지원기관의 역할 재설정
제2절 중소기업 혁신을 위한 한국형 지역혁신체계
제6장 결 론
제1절 연구 결과의 요약
제2절 연구 한계점 및 향후 연구방향
【참고문헌】
|
|
 |
학습 기반의 최적화 문제 해결 방안’에 대해 탐구하였으며, 이를 정리한 연구 보고서를 지도교수님께 제출하였습니다. 해당 보고서는 기초적인 강화학습 원리부터 실제 적용 사례까지 폭넓게 다루었으며, 연구 과정에서 발견한 문제점과 개
|
|
 |
사례(최근 5년 이내)를 통해 기술해주세요 (최소 400자, 최대 600~800자 입력가능)
3. 대학(원)에서 수강했던 수업 중 지원직무의 역량 계발에 가장 도움이 되었던 두 과목을 선정하여 그 이유를 작성하고,
자신이 해당 직무에 적합한 이유를 기
|
|
 |
학습 데이터의 품질에 따라 좌우된다. 만약 부정확한 데이터가 입력되거나 데이터가 해킹될 경우, 신용평가 결과에 큰 영향을 미칠 수 있다.
3) 신용보증기관의 AI 활용 정책 방향
① 설명 가능한 AI(XAI) 도입
② 데이터 품질 검증 체계 강화
|
|
 |
구조 최적화까지 다룰 수 있는 임베디드 시스템 아키텍트로 발전하고자 합니다. 향후에는 차량용 반도체에 AI 기능이 통합되는 흐름에 맞춰, 신경망 연산 최적화와 실시간 제어 기술을 융합할 수 있는 역량까지 갖추는 것이 목표입니다.
|
|
 |
수 있습니다.
4) 딥러닝과 머신러닝의 차이점은 무엇인가요?
답변: 머신러닝은 데이터에서 패턴을 학습하여 예측 모델을 생성하는 기술이며, 딥러닝은 인공신경망(ANN)을 활용하여 보다 복잡한 패턴을 학습하는 머신러닝의 하위 개념입니다.
|
|
메뉴펼치기
