• Geomechanics and Engineering
• /
• 제25권1호
• /
• pp.1-16
• /
• 2021

Machine learning models have been widely used for landslide susceptibility assessment (LSA) in recent years. The large number of inputs or conditioning factors for these models, however, can reduce the computation efficiency and increase the difficulty in collecting data. Feature selection is a good tool to address this problem by selecting the most important features among all factors to reduce the size of the input variables. However, two important questions need to be solved: (1) how do feature selection methods affect the performance of machine learning models? and (2) which feature selection method is the most suitable for a given machine learning model? This paper aims to address these two questions by comparing the predictive performance of 13 feature selection-based machine learning (FS-ML) models and 5 ordinary machine learning models on LSA. First, five commonly used machine learning models (i.e., logistic regression, support vector machine, artificial neural network, Gaussian process and random forest) and six typical feature selection methods in the literature are adopted to constitute the proposed models. Then, fifteen conditioning factors are chosen as input variables and 1,017 landslides are used as recorded data. Next, feature selection methods are used to obtain the importance of the conditioning factors to create feature subsets, based on which 13 FS-ML models are constructed. For each of the machine learning models, a best optimized FS-ML model is selected according to the area under curve value. Finally, five optimal FS-ML models are obtained and applied to the LSA of the studied area. The predictive abilities of the FS-ML models on LSA are verified and compared through the receive operating characteristic curve and statistical indicators such as sensitivity, specificity and accuracy. The results showed that different feature selection methods have different effects on the performance of LSA machine learning models. FS-ML models generally outperform the ordinary machine learning models. The best FS-ML model is the recursive feature elimination (RFE) optimized RF, and RFE is an optimal method for feature selection.

• 한국수학교육학회지시리즈B:순수및응용수학
• /
• 제24권4호
• /
• pp.211-226
• /
• 2017

In this paper, machine learning models employed in various fields are discussed and applied to KOSPI200 stock index return forecasting. The results of hyperparameter analysis of the machine learning models are also reported and practical methods for each model are presented. As a result of the analysis, Support Vector Machine and Artificial Neural Network showed a better performance than k-Nearest Neighbor and Random Forest.

• 한국컴퓨터정보학회논문지
• /
• 제26권10호
• /
• pp.199-208
• /
• 2021

본 논문에서는 머신러닝 플랫폼을 활용하여 STEAM 교육을 하는 인공지능 융합교육 프로그램이 초등학생의 융합인재소양과 학습몰입에 미치는 영향에 대해 분석하였다. 동질집단인 초등학교 6학년 44명을 실험집단과 통제집단으로 나누고 통제집단에는 일반 교과 융합 수업 10차시를, 실험집단에는 머신러닝 포 키즈(Machine learning for Kids)를 활용한 STEAM 기반 인공지능 융합 수업 10차시를 적용하였다. 인공지능 융합교육 프로그램은 2015 개정 교육과정의 목표, 성취기준 및 내용 요소를 분석하여 융합교육 프로그램 설계를 위한 교과목 및 수업 내용을 선정하였고, 소프트웨어 수업 모델, 다양한 교수·학습 전략 등을 활용한 교수·학습 과정안 및 학습지를 개발하였다. 융합인재소양 검사와 학습몰입 검사 결과, 실험집단과 통제집단 간에 유의미한 차이가 있는 것으로 나타났다. 특히 인공지능 기능을 확장시킨 코딩 환경이 학습자들의 몰입과 융합인재소양에 긍정적인 영향을 미친다는 것을 확인할 수 있었다. 융합인재소양의 하위 요소 중 융합, 창의 영역과 같은 개인적인 역량을 발휘하는 부분에서 유의미한 차이가 나타났으며, 학습몰입의 하위 요소 중 도전과 능력의 조화, 명확한 목표, 과제에 대한 집중, 자기 목적적 경험 영역에서 유의미한 차이가 나타났다. 추후 더욱 확장된 연구가 이루어진다면, 미래를 대비하는 더욱 효과적인 교육을 위한 기초 연구가 될 수 있을 것이다.

• 한국정보교육학회:학술대회논문집
• /
• 한국정보교육학회 2021년도 학술논문집
• /
• pp.7-11
• /
• 2021

본 연구는 초등학교에서 쉽게 적용할 수 있는 소리 데이터를 활용한 블록 기반의 머신러닝 교육 프로그램을 설계하였다. 교육 프로그램은 ADDIE 모형에 따라 사전에 초등학교 교사 70명을 대상으로 실시한 요구 분석을 결과를 바탕으로 그 목표와 방향을 설계하였다. 머신러닝 포 키즈 중 블록 기반의 프로그래밍을 위해 스크래치를 사용하였고 소리 데이터를 활용하여 데이터값의 규칙성을 발견하고 인공지능의 원리를 학습하고 직접 문제를 해결하는 프로그래밍 과정에서 컴퓨팅 사고력을 향상할 수 있도록 교육 프로그램을 설계하였다. 추후의 연구에서 본 교육 프로그램을 적용하고 인공지능에 대한 태도와 컴퓨팅 사고력에 어떤 변화가 있는지 검증이 필요하다.

• 정보교육학회논문지
• /
• 제25권2호
• /
• pp.327-335
• /
• 2021

본 연구는 초등학생의 컴퓨팅 사고력을 향상시키기 위한 교육 방법으로 데이터 라벨링 중심의 머신러닝 교육 프로그램을 개발하여 적용한 후 그 효과를 검증하였다. 교육 프로그램은 현직 초등학교 교사 100명을 대상으로 실시한 사전 요구분석 결과를 바탕으로 설계 및 개발을 진행하였다. 개발한 교육 프로그램의 효과를 검증하기 위하여 K 초등학교에 재학 중인 6학년 학생 17명을 대상으로 1일 2차시씩 총 6주간 12차시의 교육을 진행하였다. 해당 교육이 컴퓨팅 사고력 향상에 미친 효과를 측정하기 위해 ' 버챌린지(Bebras Challenge)'를 활용하여 사전 사후 검사를 진행하여 교육적 효과를 분석하였다. 분석 결과 데이터 라벨링 중심의 머신러닝 교육이 초등학생의 컴퓨팅 사고력 향상에 기여한 것으로 나타났다.

• 정보교육학회논문지
• /
• 제24권1호
• /
• pp.49-57
• /
• 2020

현대사회는 21세기 초반 지식정보사회를 지나 지능정보사회로 바뀌어 가고 있다. 본 연구에서는 지능정보사회에서 요구되는 학습자의 핵심역량을 신장시키기 위하여 인공지능의 한 분야인 머신러닝을 기반으로 소프트웨어 교육 교수-학습 모형을 개발하였다. 본 모형은 인공지능 자체에 대한 학습의 부담감을 줄이고, 머신러닝을 활용하여 문제를 해결하는 과정에서 핵심역량을 신장시키는 것에 중점을 두었다. 개발된 모형의 구체적인 단계는 문제인식 및 분석, 데이터 수집, 데이터 가공 및 선별, ML모델 훈련 및 평가, ML프로그래밍, 적용 및 해결, 공유 및 환류의 7단계로 구성되어 있다. 본 연구에서 개발한 모형을 학생과 학부모를 대상으로 적용한 결과 긍정적인 반응을 얻을 수 있었으며, 이를 통해 머신러닝 기반의 소프트웨어 교육 프로그램의 개발 및 운영에 작은 밑거름을 제시할 수 있을 것으로 기대한다.

• Journal of Information Processing Systems
• /
• 제15권2호
• /
• pp.422-432
• /
• 2019

A hybrid kernel function of support vector machine is proposed to improve the classification performance of power quality disturbances. The kernel function mathematical model of support vector machine directly affects the classification performance. Different types of kernel functions have different generalization ability and learning ability. The single kernel function cannot have better ability both in learning and generalization. To overcome this problem, we propose a hybrid kernel function that is composed of two single kernel functions to improve both the ability in generation and learning. In simulations, we respectively used the single and multiple power quality disturbances to test classification performance of support vector machine algorithm with the proposed hybrid kernel function. Compared with other support vector machine algorithms, the improved support vector machine algorithm has better performance for the classification of power quality signals with single and multiple disturbances.

• 반도체디스플레이기술학회지
• /
• 제19권3호
• /
• pp.77-81
• /
• 2020

In this paper, we create scaffold defect classification models using machine learning based data. We extract the characteristic from collected scaffold external images using USB camera. SVM, KNN, MLP algorithm of machine learning was using extracted features. Classification models of three type learned using train dataset. We created scaffold defect classification models using test dataset. We quantified the performance of defect classification models. We have confirmed that the SVM accuracy is 95%. So the best performance model is using SVM.

• 정보교육학회논문지
• /
• 제25권6호
• /
• pp.995-1003
• /
• 2021

다가오는 지능정보사회의 핵심이 될 인공지능(AI) 교육의 필요성이 대두되면서, 국가적 차원에서도 교육과정에 인공지능 관련 내용을 포함하는 등 관심을 집중시키고 있다. 본 연구에서는 지도학습 중심의 머신러닝을 통해 생활 속 문제를 해결하는 과정에서 학생들의 창의적 문제해결력을 신장시키기 위해 PASPA 교육 프로그램을 제시하였으며, 학습의 효과를 높이기 위해 피지컬 컴퓨팅 도구인 마이크로비트(Micro:bit)를 활용하였다. PASPA 교육 프로그램에 적용된 교수 학습 과정은 문제 인식(Problem Recoginition), 해결 방법 논의(Argument), 데이터 기준 세우기(Setting data standard), 프로그래밍(Programming), 적용 및 평가(Application and evaluation)의 5단계로 이루어진다. 본 교육 프로그램을 학생들에게 적용한 결과 창의적 문제해결력의 향상을 확인할 수 있었으며, 세부 영역에서는 특정 영역의 지식·사고, 비판적·논리적 사고 영역에서 유의한 차이를 보임이 확인되었다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제45권2호
• /
• pp.111-116
• /
• 2022

In this study, the applicability of machine learning for the development of a simulator for general X-ray examination education is evaluated. To this end, k-nearest neighbor(kNN), support vector machine(SVM) and neural network(NN) classification models are analyzed to present the most suitable model by analyzing the results. Image data was obtained by taking 100 photos each corresponding to Posterior anterior(PA), Posterior anterior oblique(Obl), Lateral(Lat), Fan lateral(Fan lat). 70% of the acquired 400 image data were used as training sets for learning machine learning models and 30% were used as test sets for evaluation. and prediction model was constructed for right-handed PA, Obl, Lat, Fan lat image classification. Based on the data set, after constructing the classification model using the kNN, SVM, and NN models, each model was compared through an error matrix. As a result of the evaluation, the accuracy of kNN was 0.967 area under curve(AUC) was 0.993, and the accuracy of SVM was 0.992 AUC was 1.000. The accuracy of NN was 0.992 and AUC was 0.999, which was slightly lower in kNN, but all three models recorded high accuracy and AUC. In this study, right-handed PA, Obl, Lat, Fan lat images were classified and predicted using the machine learning classification models, kNN, SVM, and NN models. The prediction showed that SVM and NN were the same at 0.992, and AUC was similar at 1.000 and 0.999, indicating that both models showed high predictive power and were applicable to educational simulators.