|
Mesh를 분할할 필요도 없다. Rendering
Wire frame Rendering
Local Illumination Model
Global Illumination Model
Recursive Ray Tracing
Distributed Ray Tracing
Ray casting
Radiosity
Caustic
Two-Pass Ray Tracing
Image Based Rendering
Photon Map - Ray Tracing
|
|
|
알고리즘(Rendering Algorithm) 개념의 이해......................23
나. 렌더링 기법
(1) Local Illumination.................................................26
(2) Global Illumination................................................27
(3) Ray Tracing..............................
|
|
|
모델 개발: MEG 연구
Development od Neurophysiogical Path Models of Scientific Question Generation during Observation of Biological Phenomena : A MEG study(2009), 한국교원대학교 대학원. 공통과학교육 전공. 권석원. 박사학위논문. p2-4, 21-22, 86-88 생물학 가설 생성에서 나타
|
|
|
알고리즘을 이용한 자율이동로봇군의 창발 행동 실현," 제5회 인공지능, 신경망 및 퍼지시스템 종합학술대회(JCEANF '96) 논문집, pp. 34-37, 1996. 10. Ⅰ. 서 론
1. 인공지능(Artificial Intelligence)이란?
2. 인공지능 연구동기
3. 인공지능의 궁극적인
|
|
|
model)
… 예상 구매액
… 구매 예상 제품의 수
… 홍보자료 발송빈도
… 연체대금 지불요청 시점
(2) 데이터마이닝과 신경망
데이터마이닝의 기능
… 분류 (classification) … 군집화 (clustering)
… 연관성분석 (association) … 모형화 (modeling, regression)
|
|
 |
모델링
3. 전력 배분제어 및 배터리 SOC 제어
4. 선행연구 검토
Ⅳ 결론 및 제언
참고문헌
Abstract.
표 목 차
<표Ⅱ-1> 버스길이와 최대 비트 전송률
그림목차
<그림Ⅲ-4> 배터리전류에 대한 C프로그램 시뮬레이션과 Matlab/Simulink
|
|
|
알고리즘과 적용 범위 35
제3절. 기술수용모델 44
1. 기술수용모델(TAM) 44
1) 기술수용모델의 등장 및 개념 44
2) 기술수용모델의 구성요소 46
2. 확장된 기술수용모델(ETAM, TAM3) 47
1) 확장된 기술수용모델(ETAM)의 구성요소 47
2) 기술수용모델
|
|
|
알고리즘
1) ADMS 알고리즘
2) 과부하 제어
3) 알고리즘 과정
4) 관련연구와 비교
Ⅲ 멀티미디어를 위한 네트워크 구조
1. 기존의 네트워크 구조
2. 개선된 네트워크 구조
Ⅳ 분할 네트워크의 효율성 실험 및 분
|
|
|
Local Elections in Britain. New York : Routledge.
Rothstein Bo. 2001. "Social Capital in the social Democratic Welfare State," Politics and Society. 29(2) : 207-241.
Stolle, Dietlind. 2000. Social Capital-A New Research Agenda? Toward an Attitudinal Approach. paper presented for the ECPR Workshop 12
|
|
|
model that links the international marketing strategy to a firm's global market performance. On the basis of a survey of business units competing in global industries, the authors find support for the broad Global Marketing Strategy (GMS) perspective and the fundamental relationship between the GMS
|
|
 |
모델을 활용한 데이터 분석 경험을 보유하고 있으며, AI 모델의 최적화 및 클라우드 배포 경험도 가지고 있습니다. 이를 바탕으로, 엠로에서 최적의 AI 알고리즘을 적용하여 데이터 분석 및 자동화 솔루션을 개발하고, 효율적인 모델 운영 환경
|
|
 |
알고리즘 최적화와 성능 향상을 위한 기술적 분석을 통해, 빠르게 현업에 적응하고, 효율적인 알고리즘을 구현할 수 있도록 노력할 것입니다.
2년 후, 저는 아이센스의 알고리즘 최적화와 기계 학습 모델의 성능 개선을 통해 회사의 기술적 경
|
|
 |
모델을 만드는 것이 목표였습니다. 초기에는 데이터의 불균형, 노이즈 문제, 변수 간 복잡한 상관관계 등으로 인해 모델 성능 향상에 어려움을 겪었습니다. 저는 데이터 전처리를 철저히 하고, 다양한 이상 탐지 알고리즘을 실험하며 최적의
|
|
 |
모델 정확도를 개선하기 위해 노력하였습니다.
데이터의 부재를 해결하기 위해, 생산 과정에서 발생하는 다양한 데이터를 수집하고, 이를 적극적으로 분석하였습니다. 또한, 예측 모델의 정확도를 개선하기 위해 머신러닝 알고리즘을 적용하
|
|
 |
모델을 실험했습니다. 특히, 랜덤 포레스트와 LSTM 모델을 활용하여 시계열 데이터를 분석했습니다. 이러한 접근 방식은 과거 데이터를 기반으로 미래 주식 가격을 예측하는 데 특히 효과적이었습니다. 결과적으로, 우리의 모델은 기존의 방법
|
|
메뉴펼치기
