• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.232-234
• /
• 2004

강화 학습(Reinforcement Learning)을 실제 문제에 적용하는 데 있어 가장 큰 문제는 차원성의 저주(Curse of dimensionality)이다. 문제가 커짐에 따라 목적을 이루기 위해서 더 않은 단계의 판단이 필요하고 이에 따라 문제의 해결이 지수적으로 어려워지게 된다. 이를 해결하기 위칠 문제를 여러 단계로 나누어 단계별로 학습하는 계층적 강화 학습(Hierarchical Reinforcement Learning)이 제시된 바 있다. 하지만 대부분의 계층적 강화 학습 방법들은 사전에 문제의 구조를 아는 것을 전제로 하며 큰 사이즈의 문제를 간단히 표현할 방법을 제시하지 않는다. 따라서 이들 방법들도 실제적인 문제에 바로 적용하기에는 적합하지 않다. 이러한 문제점들을 해결하기 위해 복잡계 네트워크(Complex Network)가 갖는 작은 세상 성질(Small world Property)에 착안하여 자기조직화 하는 생장 네트워크(Self organizing growing network)를 기반으로 한 환경 표현 모델이 제안된 바 있다. 이러한 모델에서는 문제 크기가 커지더라도 네트워크의 사이즈가 크게 커지지 않기 때문에 문제의 난이도가 크기에 따라 크게 증가하지 않을 것을 기대할 수 있다. 본 논문에서는 이러한 환경 모델을 사용한 강화 학습 알고리즘을 구현하고 실험을 통하여 각 모델이 강화 학습의 문제 사이즈에 따른 성능에 끼치는 영향에 대해 알아보았다.

• The KIPS Transactions:PartB
• /
• v.13B no.4 s.107
• /
• pp.439-448
• /
• 2006

Previous recognition/clustering algorithms such as Kohonen SOM(Self-Organizing Map), MLP(Multi-Layer Percecptron) and SVM(Support Vector Machine) might not adapt to unexpected input pattern. And it's recognition rate depends highly on the complexity of own training patterns. We could make up for and improve the weak points with lowering complexity of original problem without losing original characteristics. There are so many ways to lower complexity of the problem, and we chose a kernel concepts as an approach to do it. In this paper, using a kernel concepts, original data are mapped to hyper-dimension space which is near infinite dimension. Therefore, transferred data into the hyper-dimension are distributed spasely rather than originally distributed so as to guarantee the rate to be risen. Estimating ratio of recognition is based on a new similarity-probing and learning method that are proposed in this paper. Using CEDAR DB which data is written in cursive letters, 0 to 9, we compare a recognition/clustering performance of kSOM that is proposed in this paper with previous SOM.

• Journal of Educational Research in Mathematics
• /
• v.27 no.4
• /
• pp.811-831
• /
• 2017

The purpose of this study is to analyze the contents of pi of Chosun-sanhak and organize the teaching and learning activities to help to understand the concept of pi deeply using the analysis results. The results of this study are as follows. First, Chosun-sanhak used various approximate values of pi and those were represented as the form to reveal the meaning of the ratio of radius and circumference. Second, There were the freedom of selection of the approximate values of pi suitably. Lastly, the enriched leaning about pi need to draw a distinction pi from approximate values of pi, choose the suitable approximate values of pi and compare the method of calculation of circumference and the area of circle of Chosun-sanhak and today's mathematics. In conclusion, I proposed several issues which is worth exploring further in relation to pi and Chosun-Sanhak.

• Archives of design research
• /
• no.16
• /
• pp.113-122
• /
• 1996

ilesi gn is on process. j)esign is not a result, but a process, It requires organizatiun ui design process to ubtain the most efiectivc design. The urganizatiun of design process means to understand the inner ur outer problems. to cr-eate r-esonable process, and to hale ability of problem soiving, In this paper, we suggest lhal student need to understand the importance oi 'discovering \ulcornerrOCeflB'. not 'd iscovered process'. _\ nd we also SUi(\{est text model of instructor with respeCl to the basic concept of creative ability and den]opmcnt of imagination ahality.

• 대학교육
• /
• s.145
• /
• pp.34-40
• /
• 2007

오늘날 사회는 지식이 부가가치를 산출하는 지식기반사회로, 이러한 지식은 전통적인 교과적 지식과는 달리 신속성, 다양성, 복잡성을 가진 특성을 가지고 있으며, 생산, 저장, 공유 및 재생산의 과정을 거쳐가면서 가치를 더해 가는 것이다. 사회현장의 이러한 변화에 따라 인력을 양성하는 대학에서도 대학경영으로 변화할 것을 요구하고 있다. 즉, 대학은 기존 체제와 운영방식을 유지하는 것보다도, 팀 중심으로 기존의 지식을 공유하고 대화와 토론을 중시하는 학습조직화를 통하여 새로운 대학체제를 창조하는 지식경영적 접근이 요구된다. 이를 위해서 대학은 지역과 구성원의 특성을 살리면서도 미래의 변화에 부응하는 장기적인 통찰과 정책이 필요하다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2005.05a
• /
• pp.260-267
• /
• 2005

자기조직화지도(Self Organizing Map, SOM)는 비지도 신경망으로서 고차원의 입력공간을 위상적관계를 유지시키면서 저차원으로 사영 시킬 수 있는 특징을 갖고 있다. SOM은 패턴인 식과 자료압축/재생 등 여러 분야에서 유용하게 활용될 수 있으며 특히 고차원 자료의 시각화 방법으로 많은 관심을 받고 있다. 본 연구에서는 SOM의 quantization error를 줄이기 위한 목적으로 인공데이터를 생성시켜 학습에 이용하는 방법을 제시한다. 이는 특히 데이터가 부족한 상황에서 SOM을 학습시켜야 할 때 유용하게 적용될 수 있을 것으로 기대된다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.724-726
• /
• 2005

인터넷이 생활의 일부로 자리 잡은 최근 개인의 개성을 표출할 수 있는 블로그가 각광받고 있다. 본 논문에서는 이러한 블로그 환경에 교육계 분야에서 최근 화두가 되는 E-Learning을 접목시켜 각 개인의 블로그를 조직화하여 협업 학습을 할 수 있는 E-Learning 시스템을 제안한다. 현재 E-Learning 시스템들이 다양한 시도에도 불구하고, 아직은 학교 교육에 대한 과외 대체 교육에 머물고 있고 학습자 개개인에게 개별적인 학습 피드백을 제공하기 위해 많은 시간이 소요되며, 전통적인 교실 수업에 존재하는 사회적 교류를 제공하지 못하고 있다. 따라서 이 논문에서는 블로그 환경에서 학습자끼리의 코멘트에 의한 상호작용을 통해 자발적인 협업 학습 서비스를 제공하고자 한다.

• The KIPS Transactions:PartB
• /
• v.8B no.5
• /
• pp.515-522
• /
• 2001

Feature-based similarity retrieval become an important research issue in image database systems. The features of image data are useful to discrimination of images. In this paper, we propose the highspeed k-Nearest Neighbor search algorithm based on Self-Organizing Maps. Self-Organizing Map(SOM) provides a mapping from high dimensional feature vectors onto a two-dimensional space. A topological feature map preserves the mutual relations (similarity) in feature spaces of input data, and clusters mutually similar feature vectors in a neighboring nodes. Each node of the topological feature map holds a node vector and similar images that is closest to each node vector. We implemented about k-NN search for similar image classification as to (1) access to topological feature map, and (2) apply to pruning strategy of high speed search. We experiment on the performance of our algorithm using color feature vectors extracted from images. Promising results have been obtained in experiments.

• The Korean Journal of Applied Statistics
• /
• v.33 no.5
• /
• pp.591-601
• /
• 2020

The self-organizing map (SOM) is a unsupervised learning method projecting high-dimensional data into low-dimensional nodes. It can visualize data in 2 or 3 dimensional space using the nodes and it is available to explore characteristics of data through the nodes. To understand the structure of data, cluster analysis is often used for nodes obtained from SOM. In cluster analysis, the optimal number of clusters is one of important issues. To help to determine it, various cluster validity indexes have been developed and they can be applied to clustering outcomes for nodes from SOM. However, while SOM has an advantage in that it reflects the topological properties of original data in the low-dimensional space, these indexes do not consider it. Thus, we propose a new cluster validity index for SOM based on connectivity between nodes which considers topological properties of data. The performance of the proposed index is evaluated through simulations and it is compared with various existing cluster validity indexes.

• The Journal of Korean Institute of Communications and Information Sciences
• /
• v.21 no.3
• /
• pp.600-611
• /
• 1996

Recently, neural network-based speech recognition has been studied to utilize the adaptivity and learnability of neural network models. However, conventional neural network models have difficulty in the co-articulation processing and the boundary detection of similar phonmes of the Korean speech. Also, in case of using one phonotopic map, learning speed may dramatically increase and inaccuracies may be caused because homogeneous learning and recognition method should be applied for heterogenous data. Hence, in this paper, a neural net typewriter has been designed using a hierarchical self-organizing classifier(HSOC), and related algorithms are presented. This HSOC, during its learing stage, distributed phoneme data on hierarchically structured multiple phonotopic maps, using Kohonen's self-organizing feature maps(SOFM). Presented and experimented in this paper were the algorithms for deciding the number of maps, map sizes, the selection of phonemes and their placement per map, an approapriate learning and preprocessing method per map. If maps are divided according to a priorlinguistic knowledge, we would have difficulty in acquiring linguistic knowledge and how to alpply it(e.g., processing extended phonemes). Contrarily, our HSOC has an advantage that multiple phonotopic maps suitable for given input data are self-organizable. The resulting three korean phonotopic maps are optimally labelled and have their own optimal preprocessing schemes, and also confirm to the conventional linguistic knowledge.