• Journal of the Korean Applied Science and Technology
• /
• v.36 no.1
• /
• pp.279-298
• /
• 2019

Many empirical studies are conducted in regards to protean career or boundaryless career. The concept and the notion of protean career and boundaryless career has extended so far. Yet, the gap in the literature exists. Previous literature focused on the relationship among protean career, boundaryless career, and subjective career success, but examined little about the influence of protean career and boundaryless career on positive career attitude or future learning readiness. Therefore, this study explores the moderating effect of supporting policy of career development among protean career orientation, boundaryless career, positive career attitude, and future learning readiness. There was moderating effect of supporting policy of career development among the relationships of protean career orientation and future learning readiness; the relationships of boundaryless career and future learning readiness. The moderating effect of supporting policy of career development implies that the intention of career development in self-directed way and learning are related. In addition, The role of HRD/HRM department which takes initiatives in career development can affect the learning readiness for future among workers.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.234-237
• /
• 2005

강화학습을 위한 많은 방법 중 정책 반복을 이용한 actor-critic 학습 방법이 많은 적용 사례를 통해서 그 가능성을 인정받고 있다. Actor-critic 학습 방법은 제어입력 선택 전략을 위한 actor 학습과 가치 함수 근사를 위한 critic 학습이 필요하다. 본 논문은 critic의 학습을 위해 빠른 수렴성을 보장하는 RLS(recursive least square)를 사용하고, actor의 학습을 위해 정책의 기울기(policy gradient)를 이용하는 새로운 알고리즘을 제안하였다. 그리고 이를 실험적으로 확인하여 제안한 논문의 성능을 확인해 보았다.

• The Journal of Sustainable Design and Educational Environment Research
• /
• v.20 no.3
• /
• pp.11-24
• /
• 2021

The purpose of this research is to investigate the current status of edu-tech trends and contents of domestic and foreign private companies in order to successfully establish the K-EDU integrated platform, analyze the connection between future teaching-learning methods and learning styles, and provide basic materials to help frontline schools easily link teaching-learning methods to the most suitable contents per subject. To this end, a literature survey and on-site interviews with officials from companies participating in the 2021 Education Fair provided results of investigating 116 edu-tech contents produced by a total of 68 companies, including 22 overseas (28 contents) and 46 domestic (88 contents) ones, on whether they mutually match future teaching-learning methods and learning styles.

• KIPS Transactions on Software and Data Engineering
• /
• v.11 no.3
• /
• pp.141-148
• /
• 2022

Recently, reinforcement learning combined with deep neural network technology has achieved remarkable success in various fields such as board games such as Go and chess, computer games such as Atari and StartCraft, and robot object manipulation tasks. However, such deep reinforcement learning describes states, actions, and policies in vector representation. Therefore, the existing deep reinforcement learning has some limitations in generality and interpretability of the learned policy, and it is difficult to effectively incorporate domain knowledge into policy learning. On the other hand, dNL-RRL, a new relational reinforcement learning framework proposed to solve these problems, uses a kind of vector representation for sensor input data and lower-level motion control as in the existing deep reinforcement learning. However, for states, actions, and learned policies, It uses a relational representation with logic predicates and rules. In this paper, we present dNL-RRL-based policy learning for transportation mobile robots in a manufacturing environment. In particular, this study proposes a effective method to utilize the prior domain knowledge of human experts to improve the efficiency of relational reinforcement learning. Through various experiments, we demonstrate the performance improvement of the relational reinforcement learning by using domain knowledge as proposed in this paper.

• Journal of Korea Entertainment Industry Association
• /
• v.14 no.3
• /
• pp.117-132
• /
• 2020

The purpose of this study is to examine the lifelong education policy in Korea and Germany, focusing on the historical transition process, and to explore desirable ways to develop the lifelong education policy in Korea. To this end, We compared and analyzed Korea and Germany's lifelong education policy using research papers on lifelong education and practical data published by BMBF, DIE, DVV, EAEA, UIL, and NILE. As a result of the study, German lifelong education policy has improved social and vocational professionalism running programs suitable for the characteristic of region, Korean lifelong education policy lacks civic education in terms of local lifelong education due to political sensitivity. In addition, Germany is expanding the participation rate of lifelong education by constructing an environment where it is easy to participate in lifelong education, while Korea's participation rate in lifelong education is lower than that of advanced OECD countries. At last, the German lifelong education policy pursues a natural change in the needs of the society, the ideological principle of which require education be independent. On the other hand, the study confirms that Korean lifelong education policy tends to be controlled by the central government. As a result of this study, Germany's lifelong education policy provide the following implications for Korea's lifelong education policy. First, This dissertation emphasizes the need for the learner-centered operation as the needs of educational consumers become more diverse. Secondly, It highlights the need for activation of lifelong education in career education. Third, The expansion of the lifelong education budget to support good quality lifelong learning. Fourth, Holistic and long-term system for sustainable lifelong learning society needs to be structured.

• 한국디지털정책학회:학술대회논문집
• /
• 2004.05a
• /
• pp.517-524
• /
• 2004

교육은 끊임없는 대화로 이루어지므로 웹을 통한 온라인 학습 시스템에서도 사회적 상호작용이 활발히 일어날 수 있는 환경을 만드는것이 필수적이다. 이에 본 연구에서는 인터넷을 활용한 효과적인 문제 해결학습을 위해 플랫폼 독립적인 상호작용도구를 이용하는 웹 기반의 문제 해결학습시스템을 개발하였다. 문제 해결 모델은 학교 현장에서 학습효과를 증진시키기 위한 문제 해결 학습 모형으로 전문가 모둠 활동과 향상점수를 활용하여 학습에 긍정적인 영향을 주는 것으로 평가되고 있다. 본 연구에서는 문제해결을 위한 핵심적인 기법이라고 할 수 있는 문제분석과 결정분석 두 가지 기법을 중심으로 학습 프로그램 내용을 조직하고 지원하는 여러 가지 기능을 개발하였다.

• 한국디지털정책학회:학술대회논문집
• /
• 2004.05a
• /
• pp.719-731
• /
• 2004

2003 년에 정부에서 여러 가지 활동과 2004 년 1월에는 산업자원부에서 'e- Learning 산업발전법' 을 공표함으로써 e- Learning 산업의 앞날이 밝아오고 있다. 하지만 아직은 전통적인 교육보다 e-Learning이 일반적으로 성과나 만족도가 떨어진다는 연구가 지배적이다 [1, 17] 이러한 상황에서 e-Learning을 확산한다는 것은 매우 어렵다. 이것은 e-Learning을 경험하는 학습자들의 만족을 통하여 e-Learning의 확산을 촉진할 수 있는데, 이를 위하여 e-Learning 환경에서 학습자들이 어떠한 요인들로써 만족을 느낄 수 있는지 알아보아야 한다. 학습자의 특성에 따라 만족도에 미치는 요인들을 찾아내어 학습자의 특성에 맞게 관리를 해줌으로써 온라인 환경에서 학습자들을 효과적으로 관리할 수 있어야 한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2006.11a
• /
• pp.15-18
• /
• 2006

강화 학습은 시행착오를 통해 동적 환경과 상호작용하면서 학습을 수행하는 학습 방법으로 본 논문에서 테스트 환경으로 사용하는 Keepaway와 같은 동적인 환경에서 주로 사용하는 학습 방법이다. 본 논문에서는 학습을 통한 에이전트가 다른 정책을 사용하는 에이전트보다 성능이 더 높다는 것을 보이고자 한다. 학습 초기에는 다양한 전략을 평가하기 위해 최적이 아닌 행동을 선택하지만 시간이 지남에 따라 최적의 행동 선택에 수렴해 가는 것을 보이기 위한 실험을 수행한다. 이 실험을 통해 고정된 행동 양식을 가지는 정책보다 강화 학습을 이용한 에이전트들의 성능이 더 효과적인 것을 알 수 있었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.347-349
• /
• 2020

본 논문에서는 컴퓨팅 이미지 객체인식 시스템인 YOLO 성능 향상을 위한 효율적인 이미지 마킹 정책을 제안한다. 이 정책은 이미지 데이터를 통한 객체인식 학습 YOLO의 객체인식을 높이고 다른 객체와의 구분을 최대화하여 학습 모델의 성능을 높인다. YOLO의 성능을 최대화하기 위하여 YOLO의 학습을 몇 번 시킬 것인지 무엇을 객체로 인식시킬지 동적으로 할당한다. 이때 학습 싸이클에 따라 객체의 인식이 달라지며 어느 싸이클에서 가장 효율적인지, 왜 다른 객체를 같이 학습시켜야 하는지 중명한다. 본 논문에서는 YOLO의 싸이클과 다른 객체 학습에 있어서 최적의 객체인식 싸이클과 학습 성능 향상 면에서 우수함을 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.10a
• /
• pp.759-762
• /
• 2018

최근 들어 점차 지능형 서비스 로봇들이 인간의 실생활 속으로 들어옴에 따라, 로봇 스스로 다양한 물체들을 효과적으로 조작할 수 있는 지식을 습득하는 기계 학습 기술들이 매우 주목을 받고 있다. 전통적으로 로봇 행위 학습 분야에는 강화 학습 혹은 심층 강화 학습 기술들이 주로 많이 적용되어 왔으나, 이들은 대부분 물체 조작 작업과 같이 다차원 연속 상태 공간과 행동 공간에서 최적의 행동 정책을 학습하는데 여러가지 한계점을 가지고 있다. 따라서 본 논문에서는 전문가의 데모 데이터를 활용해 보다 효율적으로 물체 조작 행위들을 학습할 수 있는 모방 학습과 강화 학습의 통합 프레임워크를 제안한다. 이 통합 프레임워크는 학습의 효율성을 향상시키기 위해, 기존의 GAIL 학습 체계를 토대로 PPO 기반 강화 학습 단계의 도입, 보상 함수의 확장, 상태 유사도 기반 데모 선택 전략의 채용 등을 새롭게 시도한 것이다. 다양한 성능 비교 실험들을 통해, 본 논문에서 제안한 통합 학습 프레임워크인 PGAIL의 우수성을 확인할 수 있었다.