Master of computer

ㅇ 교수 : 서울대학교 이원종 교수 ㅇ 학습목표 - Machine Learning의 한 부류인 비지도학습(Unsupervised Learning)에 대한 기본 개념과 목표 또는 label이 없는 data set에서 통찰력을 찾는 방법을 배우게 됩니다. - 비지도학습을 위한 여러 clustering 및 차원 축소 알고리즘과 데이터에 가장 적합한 알고리즘을 선택하는 방법을 배우게 됩니다. 전통기계학습과 딥러닝에서의 비지도학습 1. 전통기계학습에서의 비지도학습 KMS K-means Clustering : 비슷한 특성을 가진 클러스터로 나눠서 각각 모으는 것 작은 디멘션에 있는 데이터만 가능, 개념이 간단 2. 딥러닝에서의 비지도학습 Feature engineering Representation learning..

Ensemble Learning 앙상블러닝 함께, 동시에, 협력하여 : 이미 사용하고 있거나 개발한 알고리즘의 간단한 확장 Supervised Learning task에서 성능을 올릴 수 있는 방법 알고리즘 종류에 상관없이 서로 다르거나 같은 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어서 함께 사용하는 방식 Bagging : 학습과정에서 training sample을 랜덤하게 나누어 선택 Bootstrapping(다수의 샘플 데이터세트를 생성해서 학습) + Aggregating (데이터 증강, 데이터 확충(실질적으로 새로운 데이터를 수집하지 않고도 교육 모형에 사용하는 데이터의 다양성을 늘릴 수 있는 전략)) 모델을 병렬적으로 학습할 수 있고, 각 sample set가 다른 모델에 영향을 미치지 않..

Support Vector Machine 가장 큰 margin 값을 가지는 hyper plane을 찾아 설정 = 가장 가까운 positive sample ~ negative sample Optimization 적합한 margin 값을 찾기 위한 최적화 방식 Hard margin SVM : margin 사이에 아무것도 없음( 좁은 마진) Soft margin SVM : Hyperplane에 걸려있는 에러를 용인(넓은 마진) Problem of SVM 데이터가 선형으로 분리되지 않는 경우에는? → Kernel transfrom이용 : 차수를 높여 linearly sepable하게 만드는 과정을 통해 non-linear data도 분류 가능! Artificial Neural Network(ANN) - non-..

Supervised learning -Regression (연속적인 값) -Classification(이산적인 값) : 입력+정답으로 구성 Linear classification(선형분류) 선을 이용하여 데이터를 분류 hyper plane에서 dataset에 있는 positive / negative sample을 linear combination(선형결합)에 의해서 구분 frame work 주어진 입력에 대한 출력을 분류 [2,0] input →h classifier → -1 label 1. 어떤 predictor 이용할지? 2. 모델 parameter를 feating하기위한 loss function 설정 (linear regression은 MSE사용) - zero one loss - hinge loss..

Gradient Descent Algorithm (경사하강법) 기울기(gradient) 값을 기반으로 가중치를 업데이트하는 최적화 기법 알파값 : hyper parameter(사용자가 직접 지정해야하는 값) - 너무 크면 에러값이 발산하고, 너무 작으면 수렴속도가 느리므로 중간정도의 값이 가장 적당. 세타값 : 구하고자하는 값 J값 : 최소화하고자하는 목적함수 - Batch gradient descent (배치 경사하강법) Batch"(일괄 처리를 위해) 함께 묶다; 집단; 묶음" 전체 샘플을 확인해야 겨우 한 값 구함. - Stochastic gradient descent (SGD : 확률적 경사하강법) : 전체 샘플을 1로 바꾸고 진행 노이즈 (Oscillation)많이 발생 ---- Local op..

Supervised learning -Regression (연속적인 값) -Classification Linear model 장점) 간단함, 다양한 환경에서도 안정적, 회귀와 분류문제 해결 Linear regression framework 1. 어떤 predictor 이용할까? 모델의 출력과 정답과의 오차(MSE)를 계산해서 최소화하는 값 찾기 어떻게 찾아? - Optimization (입력 벡터를 매트릭스형태로 표현한 후 score 계산) : Normal equation(방정식)이용해서 해 구하기 : 머신러닝에서 비효율적(시간 오래걸림) - Gradient descent (Iterative algotithm) : 함수의 변화도가 가장 큰 방향으로 이동하는 과정을 반복적으로 거쳐 에러값이 최소인 지점을 ..

Machine Learning의 한 부류인 지도학습(Supervised Learning)에 대한 기본 개념과 regression/classification의 목적 및 차이점에 대해 이해하고, 다양한 모델 및 방법론(linear and nonlinear regression, classification, ensemble methods, kernel methods 등)을 통해 언제 어떤 모델을 사용해야 하는지, 왜 사용하는지, 모델 성능을 향상시키는 방법을 학습한다. 이화여자대학교 강제원교수님 이미지 비디오, 3차원데이터 등 미디어를 구성하는 여러가지 데이터에 대한 인공지능 알고리즘을 연구 사람과 기계의 소통을 매개로 하는 미디어에 대한 연구 Supervised Learning : 인공지능 모델의 정답과 학습..

고장 후 교체비용 > 예지보전 비용 특히 큰 인명피해가 예지되는 시스템에서 예지보전이 중요함 (원전사고, 항공기 사고 등) 보전방식분류 - 예방보전 - 시간기준보전 TBM : 수리주기를 정하고 무조건 수리 (과잉보전, 잔존수명 손실비용이 높음) - 상태기반보전 CBM : 미리 정한 열화 기준에 달하면 수리 - 사후보전 점검하지 않고 장비고장 후 수리 수명이 다할 때까지 사용가능하므로 보전비와 수리비가 저렴함 예지보전 고장발생 시점을 사전에 예측하고 고장 직전에 유지보수실시하여 비용 및 인력 최소화 스마트 공장에서 스마트 품질경영의 가장 주요한 기술 IoT를 통한 지능형 모니터링을 통해 선행적으로 유지보수 실시 상태기반보전 프로세스 1. 신호 전처리 : 잡음 제거 - 퓨리에 변환 : 선형변환 - 웨이블릿 ..

신뢰성 분포 1. 지수분포 지수분포의 고장률은 시간에 따라 독립적으로 나타남 (작동하는 동안은 늘 새것과 같음=지수분포의 무기억성) 고장률이 일정하게 나타나는 분포는 지수분포가 유일함 지수분포의 평균수명은 고장률의 역수 지수분포의 무기억성은 연속형분포에서는 지수분포가 무기억성을 가짐 확률변수 X가 지수분포를 따를 떄 예) 버스도착시간 10분당 1대 도착 5분기다렸는데 버스가 오지 않음- 5분 뒤 버스가 온다고 판단 가능 무기억성으로 인해 다음 버스가 올 때까지 5분을 기다려 버스가 올 확률 = 처음 도착해서 5분동안 기다려서 버스가 올 확률 2. 감마분포 포아송 프로세스에서 사건의 발생시간간격은 지수분포를 따르게 된다. 사용즁인 제품은 확률적으로 새것과 같음 = 작동중인 제품을 교체할 이유가 없게 됨 여..

품질비용 : 기업운영의 잠재 리스크 신뢰성=시장품질 제품 제조 단계에서는 기업의 수입이 창출되지 않음. 예) 급발진문제로 배상하는 경우의 리스크를 통해 깨달음 : 제품 판매 후 사용자의 신뢰성을 잃는다면 큰 리스크가 돌아온다, 여러 발생가능한 사고를 미리 방지해야겠구나! 신뢰성의 정의 주어진 작동환경에서 주어진 시간동안 시스템이 고유의 기능을 수행할 확률 성질 신뢰성 / 확률 신뢰도 품질과 신뢰성의 차이 품질은 현시점에서 제품의 특성, 측정 쉬움, 불량률 신뢰성은 미래의 성능과 고장(동적) 제품 초기 단계에서 관리가 필요, 수명, 고장률 신뢰성 분석의 필요성을 살펴 보기 위해 패러다임의 변화를 살펴본다. 고장의 원인 1. 취약한 설계 2. 과부하 3. 강도가 부하보다 높게 설계되었어도 부하가 강도보다 크..