총 2,322개
-
데이터마이닝 분류 모델 성능 평가2025.12.211. 분류 모델 성능 지표 데이터마이닝에서 분류 모델의 성능을 평가하기 위해 사용되는 주요 지표들이다. Sensitivity(민감도)는 실제 양성 중 올바르게 예측된 비율을 나타내며, Specificity(특이도)는 실제 음성 중 올바르게 예측된 비율을 의미한다. False Positive(FP)는 음성을 양성으로 잘못 예측한 경우, False Negative(FN)은 양성을 음성으로 잘못 예측한 경우를 나타낸다. 이러한 지표들은 모델의 정확성과 신뢰성을 평가하는 데 중요한 역할을 한다. 2. 모델 비교 및 선택 여러 분류 모델의 ...2025.12.21
-
탐구모델을 활용한 꽃 분류하기 부분수업활동계획안2025.11.121. 탐구모델 탐구모델은 유아가 스스로의 능동적인 탐구행위를 통해 문제를 해결하거나 주제를 학습하는 수업모델입니다. 교사가 설명하거나 가르쳐주는 것이 아닌 유아 스스로 탐구하는 것을 전제로 하며, 유아의 능동성을 핵심으로 합니다. 교사의 철저한 준비가 필수적이고 개방적이고 허용적인 분위기에서 진행되어야 합니다. 2. 꽃 분류하기 활동 꽃을 이용한 탐구활동으로 아동이 스스로 주제에 대해 탐구하고 주체적으로 답을 찾는 과정을 통해 창의력을 키우는 것을 목표로 합니다. 다양한 꽃을 통해 색깔, 꽃잎의 개수, 피는 계절 등의 기준으로 분류...2025.11.12
-
사회복지사 (장애인 복지론) 장애범주 비교 및 모델별 한계점과 대안제시2025.05.011. 장애의 개념 장애의 개념은 사회환경 및 기술수준에 따라 영향을 받으며, 장애인은 '다른 재능을 지닌 사람'으로 인식되는 추세이다. 장애의 의미는 사회적 조건에 따라 달라질 수 있다. 2. 한국의 장애범주 한국의 장애범주는 장애인복지법을 중심으로 지체장애, 뇌병변장애, 시각장애, 청각장애, 언어장애, 안면장애, 신장장애, 심장장애, 호흡기장애, 간장애, 장루·요루장애, 뇌전증장애, 지적장애, 자폐성장애, 정신장애 등으로 구분된다. 3. 외국의 장애범주 외국의 장애범주는 국가별로 차이가 있지만, 대체로 신체장애, 정신장애, 내부장...2025.05.01
-
텐서플로우 딥러닝 (CNN)2025.05.051. 데이터 세트 학습 데이터에 사용할 영상은 Google에서 이미지 검색으로 꽃을 검색하고, FatKun이라는 크롬 확장 프로그램을 사용하여 영상을 다운로드 받았다. 테스트 데이터에 사용할 영상은 꽃을 직접 구입하여 촬영한 영상 데이터를 사용했다. 학습 데이터는 총 234개, 테스트 데이터는 총 150개이며, 검증 데이터는 훈련데이터의 20%를 사용하여 총 57개이다. 2. 합성곱 신경망 (CNN) 기본적으로 이미지 분류를 하기 위해서는 합성 곱 신경망(CNN)이 필요하다. 2차원 CNN의 특징 추출 부분은 MaxPool2D층과 ...2025.05.05
-
효율적인 텍스트 분류를 위한 fastText 모델2025.01.261. 텍스트 분류 이 논문은 웹 검색, 정보 검색, 감정 분석과 같은 애플리케이션에서 자연어 처리의 필수 작업인 텍스트 분류 문제를 다룹니다. 저자들은 신경망 기반 모델은 정확하지만 훈련과 테스트 단계 모두에서 계산 비용이 많이 들고 느린 경향이 있기 때문에, 대규모 데이터 세트를 처리할 수 있는 확장 가능하고 효율적인 모델이 필요하다고 지적합니다. 이 논문에 적용된 모델인 fastText는 높은 정확도를 유지하면서 텍스트 분류의 계산 비효율성 문제를 해결하도록 설계되었습니다. 2. 데이터 세트 이 논문에서는 텍스트 분류 작업에 잘...2025.01.26
-
미국센서스 데이터 수입고저분류 분석2025.11.111. 데이터마이닝 고려대학교 데이터마이닝 수업에서 다루는 주제로, 대규모 데이터셋에서 패턴과 의미 있는 정보를 추출하는 기법입니다. 미국센서스 데이터를 활용하여 수입 수준을 분류하는 실제 사례를 통해 데이터마이닝의 실무 적용 방법을 학습합니다. 2. 미국센서스 데이터 미국 인구조사국에서 수집한 대규모 인구통계 데이터로, 개인의 인구통계학적 정보, 경제 상태, 교육 수준 등 다양한 속성을 포함합니다. 이 데이터는 머신러닝 및 분류 모델 개발의 벤치마크 데이터셋으로 널리 활용됩니다. 3. 수입고저분류 개인의 연간 수입을 특정 기준에 따...2025.11.11
-
다중 분류 머신러닝 실험 결과보고서2025.12.111. 다중 분류(Multinomial Classification) 주어진 특징을 기반으로 데이터를 여러 클래스로 분류하는 머신러닝 기법. 4개의 특징으로 구성된 데이터 포인트를 3개의 범주로 분류하는 선형 모델을 개발하고 훈련. 소프트맥스 함수를 사용하여 4차원 입력을 3개 클래스의 확률로 매핑하는 방식으로 학습. 2. 소프트맥스 함수와 교차 엔트로피 손실 다항식 분류 작업에 적합한 손실 함수로 교차 엔트로피를 사용. 소프트맥스 함수는 출력을 확률로 해석할 수 있게 변환. 훈련 과정에서 100 에포크마다 정확도와 손실을 기록하여 모...2025.12.11
-
장애 개념의 변화와 세계보건기구의 장애 분류체계2025.01.291. 장애 개념의 변화 과거에는 장애에 포함되지 않았던 사람들이 변화된 장애 개념에 따라 새로이 장애 개념에 포함되게 되었다. 이는 장애에 대한 사회적 인식과 정의가 변화했기 때문이다. 2. ICIDH 장애 분류체계 1980년대 세계보건기구에서 제시한 ICIDH 장애 분류체계는 손상, 기능장애, 능력장애, 사회적 불리의 4가지 차원으로 장애를 세분화하여 이해하고자 했다. 이는 장애가 개인과 사회의 상호작용에 미치는 영향을 포괄적으로 이해하기 위한 것이었다. 3. 장애 개념에 대한 관점 장애 개념에 대해서는 의료적 모델과 사회적 모델...2025.01.29
-
로지스틱 회귀 머신러닝 실험 결과보고서2025.12.111. 로지스틱 회귀 로지스틱 회귀는 이진 분류 문제를 해결하기 위한 머신러닝 알고리즘이다. 본 실험에서는 PyTorch를 사용하여 로지스틱 회귀 모델을 구축하고 정규화된 데이터에 대해 훈련시켰다. 학습률과 반복 횟수 조정이 중요한 역할을 했으며, 훈련 과정에서 각 에폭마다 손실을 계산하고 가중치를 업데이트했다. 모델은 단순한 범주 예측을 넘어 데이터 간의 복잡한 확률적 관계를 모델링할 수 있음을 확인했다. 2. PyTorch 기반 모델 구현 PyTorch를 활용하여 로지스틱 회귀 모델을 설정하고 훈련하는 과정을 수행했다. 모든 코드...2025.12.11
-
WHO 장애분류체계와 장애관점의 중요성2025.11.131. WHO 국제장애분류체계(ICIDH, ICF) 세계보건기구는 1980년 국제장애분류(ICIDH)를 발표하여 장애 개념을 체계화했으며, 2001년 새로운 분류체계 ICF(International Classification of Functioning)를 발표했다. ICF는 기존의 건강과 장애 개념을 전향적으로 규정하며 의료계를 넘어 사회적 영향력을 확대하고 있다. 이는 공통적이고 일관성 있는 장애기준을 사용하여 비교가능하고 명확한 장애통계 생산을 가능하게 한다. 2. 장애의 세 차원(기능장애, 능력장애, 사회적 불리) WHO 국제장...2025.11.13
1 / 233
