*예* 스토어

*예*

개인

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

4개
전체 판매량

41개
최근 3개월 판매량

0개
자료후기 점수

-
자료문의 응답률

-

전체자료 4개

영화 `Holy Smoke`와 페미니즘

여성억압*의 원인과 상태를 기술하고,여성해방을 궁극적 목표로 하는운동 또는 그 이론”* 억압: 여성의 사회진출과 성공을 가로막는 관습적, 법적 제한(교육기회, 시민권…)출처: 두산 백과사전* 여성의 시각에서 여성문제를 다룬 영화여성들의 유형과 한계를 분석영화에 나타난 성차별주의를 고발 60년대 이전의 영화들영화에 나타난 여성상* 긍정적인 여성상 :독립적이고 능력이 있으며 자신의 일을 추구하는 주체적 여성* 부정적인 여성상 :사랑에 모든 것을 걸고, 가정이라는 틀 속에 안주하며 자신을 한계 지어 버린 여성FEMINIST FILM_페미니스트 영화FEMINIST FILM_페미니스트 영화* 여성의 시각에서 여성문제를 다룬 영화영화 속 여성은 남성(관객)의 시점에서 비춰짐남성의 여성 훔쳐보기화려하게 치장된 여배우남귺에 대한 물신숭배적인 시각FEMINIST FILM_페미니스트 영화* 영화는 남성관객의 시각적 쾌락에 봉사하고여성관객에는 뒤틀린 동일화를 가져옴* 여성이 주체가 되어여성관객의 쾌락을 줄 수 있어야 함Director Jane CampionWritersJane Campion, Anna CampionJerne Drama, Comedy인도에서 보낸 휴가 동안 인디아의 종파 지도자인 바바에 집착하는 루드를위해 가족들은 종교 엑소시스트인 PJ월터스를 고용한다.HOLY SMOKE !_홀리스모크, 1999 HOLY SMOKE_등장인물RUTH_케이트 윈슬렛호주 출신 루스는인도여행 중 종교집단에빠져버림HOLY SMOKE_등장인물루스의 가족_줄리 해밀튼, 팀 로버트슨루스가 종교집단에서 나오도록헌신을 다함HOLY SMOKE_등장인물P.J. Waters_하비 케이텔사이비 종교 전문가.

인문/어학| 2009.12.15| 23페이지| 2,000원| 조회(214)

페미니즘, 여성학, feminism, 제인캠피온, 페미니스트 비평, 페미니스트 영..

미리보기

닫기
k-means clustering algorithm

k-means clustering algorithm을 이용한 예제 실행 프로그램1. k-means c 소스코드2. toy problem:100개의 2차원 벡터 데이터를 랜덤으로 생성한 다음 3개의 클러스터로 분류한다.3. real application: 영상분할 - 비트맵이미지를 불러들여 R, G, B값을 3차원 벡터로 이용하여 근접한 색끼리 5개의 묶음으로 클러스터링 한다.

프로그램소스| 2009.10.07| 1,000원| 조회(1,877)

algorithm, cluster, k-means, kmeans, 클러스터링 알..

미리보기

닫기
K-means Clustering Algorithm

K-means Clustering AlgorithmIntroduction다수의 데이터가 주어졌을 때, 계산을 단순화 하고 수렴을 가속시키기 위한 기법으로 군집화 기법을 사용한다. 그 중 k-means clustering algorithm(k-평균 알고리즘)은 간단하면서도 효과적인 군집화(Clustering) 문제를 해결하는 비교사 학습(Unsupervised Learning) 알고리즘이다. 데이터가 벡터 공간을 이룬다는 가정아래, 각 묶음의 분산도를 최소화하는 k개의 묶음으로 나누는 방법이다.주어진 데이터 수는 n, 원하는 클러스터 수는 k로 표기한다. 데이터 집합으로부터 무작위로 선택된 k개의 초기 클러스터 중심벡터(μ1, μ2, ..., μk)로부터 클러스터를 구성한다. 각 데이터는 가장 가까운 거리에 있는 초기 중심 벡터를 기준으로 분류된다. 나누어진 각 클러스터에서 평균값으로 중심 값을 새로 갱신하고 이를 반복적으로 수행하여 오차 감소율이 매우 작아지거나, 중심 값이 변하지 않으면, 끝낸다.장점군집분석 이외에도 분류∙예측을 위한 선행작업, 특이 오류 값이나 결손 값 처리작업 등 다양한 분석에 사용할 수 있다.단점속성들의 형태가 다르거나 같은 형태의 속성이라도 값의 범위가 다양할 경우 거리 측정기준을 설정하는데 어려움이 따른다.k-means clustering 기법은 사용자가 지정한 K값에 따라 데이터를 K개의 군집으로 나눈다. 그러나 실제 데이터의 구조가 이 값보다 작거나 큰 수의 군집 특성을 갖고 있다면 좋은 결과를 기대하기 어렵다. 실제로 초기 클러스터 센터를 어떻게 정하느냐에 따라서 다른 최종 클러스터가 나올 수 있다. 즉, 안정된 상태의 클러스터는 보장하지만, 최적이라는 것은 보장하지 못한다.클러스터의 개수에 해당하는 K 값을 먼저 선택하여야 한다.Algorithm알고리즘은 다음과 같이 나타낼 수 있다.1 begin initialize n, k, μ1, μ2, ..., μk2 do classify n samples according to near 집합으로부터 임의의 k개의 초기 중심집합을 만든다.클러스터의 수 k개n개의 초기데이터 집합{x1,…,xn}K개의 초기 중심 집합{y1,…yk}• 각 데이터들은 가장 가까운 중심을 가진 클러스터로 분류한다.k개의 클러스터 집합{X1,…,Xk}Xi = {xn | d(xn, yi) ≤ d(xn,yj), j=1,…,k}Euclidean distance( 2-dimensional distance )• 새로운 클러스터들에서 각각의 중심을 갱신한다.각 클러스터의 평균값yi = c(Xi), i = 1,…,k• 이전 단계의 중심 값과 비교하여 변화가 없다면 알고리즘을 끝을 낸다. 그렇지 않을 경우 위의 과정을 반복한다.(혹은, 총 왜곡을 구하여 왜곡의 감소율이 일정수준 이하로 떨어지면 알고리즘을 끝을 내도록 한다.)왜곡(클러스터 중심과의 합)i(n) = k, if xn ∈ XkExampleEx. 5개의 2차원 벡터 값을 가지는 데이터를 2개의 클러스터로 분류n = 5xn = {(4, 4), (8, 4), (15, 8), (24, 4), (24, 12)}k = 2xy14*************2412Iteration #1초기 중심 값은 (4, 4), (8, 8)로 하여 각 데이터와 거리를 구해 클러스터링 한다.DataDistance to Centroid (4, 4)Distance to Centroid (8, 4)(4, 4)04(8, 4)40(15, 8)11.708.06(24, 4)2016(24, 12)21.5417.88ㅊ각 클러스터의 새로운 중심 값을 찾는다.클러스터 1. {(4, 4)}중심 값: (4, 4)클러스터 2. {(8, 4), (15, 8), (24, 4), (24, 12)}중심 값: (((8+15+24+24)/4), ((4+8+4+12)/4)) = (17.75, 7)왜곡 값을 구한다.Iteration #2DataDistance to Centroid (4, 4)Distance to Centroid (17.75, 7)(4, 4)014.07(8, 4)410.20(15,, 4)}중심 값: (((4+8)/2), ((4+4)/2)) = (6, 4)클러스터 2. {(15, 8), (24, 4), (24, 12)}중심 값: ((15+24+24)/3), ((8+4+12)/3)) = (21, 8)왜곡 값을 구한다.Iteration #3DataDistance to Centroid (4, 4)Distance to Centroid (21, 8)(4, 4)c17.46(8, 4)213.60(15, 8)9.846(24, 4)185(24, 12)19.695각 클러스터의 새로운 중심 값을 찾는다.클러스터 1. {(4, 4), (8, 4)}중심 값: (((4+8)/2), ((4+4)/2)) = (6, 4)클러스터 2. {(15, 8), (24, 4), (24, 12)}중심 값: ((15+24+24)/3), ((8+4+12)/3)) = (21, 8)왜곡 값을 구한다.⇒ 중심 값의 변화가 없으므로, (혹은 왜곡 값의 감소율이 0이므로) 반복을 마친다.결론위의 데이터는 {(4, 4), (8, 4)}와 {(15, 8), (24, 4), (24, 12)}, 2개의 묶음으로 클러스터링 할 수 있으며, 각 클러스터의 중심은 (6, 4)와 (21, 8)이다.ProgramSource code#include #include #include #include #include /*** Parameter** double **data : [데이터의 수][데이터 차원수]로 이루어진 데이터 배열** int n : 데이터의 수** int m : 데이터의 차원** int k : 클러스터의 수** double t : 왜곡이 안정되었는지에 대한 기준치** double **centroids : 초기 센터 값[클러스터 수][클러스터 차원 수]으로 이루어진 배열**** Return** 각 데이터들이 속한 클러스터 라벨*/int *k_means(double **data, int n, int m, int k, double t, double **centroids){// 클러스터라벨 저장을 위한 배열ts = (int*)calloc(k, sizeof(int));double old_error, error = DBL_MAX; // squared euclidean distancedouble **c = centroids ? centroids : (double**)calloc(k, sizeof(double*));double **c1 = (double**)calloc(k, sizeof(double*));for (h = i = 0; i < k; h += n / k, i++) {c1[i] = (double*)calloc(m, sizeof(double));if (!centroids) {c[i] = (double*)calloc(m, sizeof(double));}// 초기 센터 값 저장for (j = m; j-- > 0; c[i][j] = data[h][j]);}do {// 지난과정에서의 거리 합 저장, 새로운 거리 합 0 초기화old_error = error, error = 0;for (i = 0; i < k; counts[i++] = 0) {for (j = 0; j < m; c1[i][j++] = 0);}for (h = 0; h < n; h++) {// 각 센터값과의 유사도(거리)를 비교하여 가장 유사한 클러스터에 배치double min_distance = DBL_MAX;for (i = 0; i < k; i++) {double distance = 0;for (j = m; j-- > 0;distance += pow(data[h][j] - c[i][j], 2));if (distance < min_distance) {labels[h] = i;min_distance = distance;}}for (j = m; j-- > 0; c1[labels[h]][j] += data[h][j]);counts[labels[h]]++;// 각 클러스터의 데이터와 센터까지의 유사도 합error += min_distance;}// 새로운 센터 값for (i = 0; i < k; i++) {for (ile (fabs(error - old_error) > t);for (i = 0; i < k; i++) {if (!centroids) {free(c[i]);}free(c1[i]);}if (!centroids) {free(c);}free(c1);free(counts);return labels;}Toy ProblemsPartitional Clustering: 100개의 2차원 벡터 데이터를 랜덤으로 생성한 다음 3개로 클러스터링 한다.프로그램을 실행하여 메뉴의 [Toy Problem] – [랜덤 데이터 생성]을 실행하면 오른쪽 그림과 같이 무작위로 100개의 데이터가 생성된다.메뉴 [Toy Problem] – [Partitional Clustering]을 실행하면 초기 중심 값으로부터 데이터를 클러스터링 한다. 각 클러스터 마다 다른 색으로 표시되며, 굵은 원으로 클러스터의 중심이 표시된다. 메시지 박스가 뜨며, 반복횟수와 왜곡 값이 표시된다.메시지 박스의 “확인”을 누르면, 옮겨진 중심 값으로 새로이 클러스터링 하며, 중심이 이동하는 것을 볼 수 있다. 중심 값이 변하지 않게 되면 멈춘다.Real Application영상분할: 비트맵이미지를 불러들여 R, G, B값을 3차원 벡터로 이용하여 근접한 색끼리 5개의 묶음으로 클러스터링 한다.프로그램을 실행하여 메뉴의[Real Application] – [이미지 불러오기]을 실행하면 오른쪽 그림과 같이 비트맵이미지가 출력된다. 왼쪽은 원본이미지 이며, 오른쪽은 클러스터링 한 후 각 픽셀의 클러스터를 표시할 이미지 이다.메뉴 [Real Application] – [영상분할]을 실행하면 랜덤으로 5개의 초기 중심 값을 정한 뒤, 모든 픽셀을 RGB값에 따라 클러스터링 한다. 각 클러스터 마다 다른 색으로 표시된다.References패턴인식 개론 / 한학용 / 한빛미디어데이터마이닝 가볍게 따라하기 / 김현철 / 홍릉과학출판사패턴인식(Pattern Classification) / Duda and Hart / Info-Tech 9

공학/기술| 2009.10.07| 9페이지| 1,500원| 조회(1,264)

알고리즘, 클러스터링, algorithm, k-means, kmeans, clus..

미리보기

닫기
인터넷 상의 정보유통과정과 관련 정책

인터넷 상의 정보유통과정과 관련 정책 이름 1Contents 인터넷 공간에서의 여론 형성 인터넷을 통항 역의제설정과정 인터넷 정보유통 관련사례 인터넷 정보유통과정에서의 추가요소 검토 인터넷 상의 정보유통과정에 따른 단계별 전략 결론 2인터넷 공간에서의 여론형성 수평적 커뮤니케이션  정책 결정 과정에 영향 비가시성 , 익명성 전통적 의제설정모델의 수정 요구 * 의제설정이론 ; agenda-setting theory 뉴스미디어가 공중에게 하루 중 가장 중요한 이슈가 무엇인지를 보여주고 공중은 이에 따라 무엇이 가장 중요한지 지각하게 된다 한계 : 미디어 메시지의 수동적 수신자로 인식 인터넷 미디어의 의제 설정 기능에서는 미디어 이용자의 능동적이고 적극적인 참여가 보다 중요한 변인 34 인터넷 의제파급 역의제설정 전통적 의제설정 온라인 공중 오프라인 공중 의제 파급자 초기 확산자 초기 발화자 인터넷 언론 전통 매스미디어 익명의 평범한 시민 메시지를 유통시킴 댓글 , 퍼나르기 등 인터넷 , 매스 미디어의 보도와 함께 중요한 이슈로 대두되었다가 , 사건 진상확인 및 정보정책 등으로 문제가 해결양상을 보이게 되면서 점차적으로 관심도 감소 인터넷 콘텐츠 다양성 및 저장능력 증가에 따라 파급속도 / 파급범위의 확장 시간이 경과함에 따라 신문 / 방송을 통해 보도가 되면서 더욱 중요하게 부각됨 역의제 설정 인터넷을 통해 생성된 온라인상의 의제가 기존 미디어의 의제에 영향을 미친다는 개념인터넷 의제파급 역의제설정 인터넷을 통한 역의제설정과정 _Internet Mediated Agenda Setting Functions 5 전통적 의제설정 온라인 공중 온라인 공중 오프라인 공중 오프라인 공중 의제 파급자 의제 파급자 의제 파급자 초기 확산자 초기 발화자 인터넷 언론 전통 매스미디어인터넷을 통한 의제파급의 주요 채널들 커뮤니케이션 형태 주요 파급 채널 주요 전달형식 이메일 메신저 메일 메시지 스팸 메일 메신저 대화 메일링리스트 인터넷방송 미니홈피 블로그 체인레터 메일봇 퍼나르기 댓글 게시판 뉴스그룹 포털사이트 온라인 공론장 댓글 교차등록 중복게시 6인터넷 정보유통 관련사례 광주술판사건 SOFA 개정 촛불시위 친일인명사전모금 여당의원 독립군 조상 사칭사건 부실 도시락 파문 연예인 X 파일 간호조무사 신생아 학대 개똥녀 사건 내무반 알몸 진급식 황우석 논문 조작 사건 …………. 7최진실법 사이버 모욕죄 도입 , 인터넷 실명제 확대 등을 포함하는 정보통신망이용촉진법 개정안의 가칭이다 . 2008 년 10 월 3 일 ( 사망 다음날 ) 한나라당은 최진실의 죽음으로 인터넷 악성댓글에 대한 폐해가 드러난 만큼 최진실법의 도입을 추진할 것이라고 밝혔다 . 2008 년 10 월 6 일 시작된 국정감사에서 여야 간에 뜨거운 논란이 되었으며 , 여야는 가족과 주변 사람들이 겪고 있을 고통을 감안해 법안 이름을 부를 때 실명을 사용하지 않는 것이 좋겠다는 데에 공감했다 . 유족들은 이 명칭을 사용하지 말 것을 요청하였다 . 11 월 말경 친권 및 재산권 문제 가 대두되자 , 조성민친권반대카페는 친권법이 상식적이고 약자에게 억울하지 않는 법으로 개정되기 바란다며 친권법이 개정되면 ' 최진실 법 ' 이라고 부르고 싶다고 밝힌 바 있다 . 8인터넷 정보유통과정에서의 추가 요소 검토 어떠한 과정과 형식으로 의견의 합을 이루며 , 미디어 의제로까지 채택되는지 그 세부적 이슈형성과정 의 탐구가 필요함 직접적으로 미디어 의제로 채택 , 정부정책에 영향을 줄 수 있다는 측면에서 중요 채택되기까지의 게시글 / 댓글의 패턴분석을 통하여 이용자들의 의견논의과정 및 의견합의과정 등을 살펴볼 수 있음 9인터넷 상의 정보유통과정에 따른 단계별 정책전략 거시적이고 문화적인 측면에서의 영향을 고려해 ‘ 자유 ’ 와 ‘ 규제 ’ 사이의 신중한 정부정책 필요 법 / 제도적 장치 이외에 다각적 정책방안 필요 매체 자체를 규제하기 보다는 내용의 규제가 선행되어 순차적 정책과정을 거쳐야 한다 ( 다양한 정보 제공과 더 많은 사람의 참여에 의한 의제설정의 질적 부분 향상과 집단지성의 발현 등 순기능이 나타날 수 있다 ) 10사이트별 연계 캠페인 전개 및 기초 연구 진행 역의제 설정과정에서의 단계별 정책 11 인터넷 미디어 리터러시 인터넷 언론 정책연구 및 연구지원 등 전통적 미디어 정책연구 및 연구지원 등 정책검증을 위한 시스템 마련결론 인터넷 역의제설정과정의 공중 의제화를 완성하는 단계에서 전통적 미디어가 주요 역할을 하지만 , 저통적인 의제설정과정과는 다른 성격을 지님 수동적인 수용자  적극적인 메시지 생산자 인터넷 이용자에 의해 제기된 이슈가 주요 사회의제로 발전 이슈형성과정 / 의견합의 절차 / 이슈채택과정에 대한 심층적인 연구 필요 법 / 제도 이외의 다양한 정책 필요 ( 교육 , 캠페인 , 홍보 등 ) 의제파급과정에 따른 단계별 전략수립 12Any Question? Thank you ♥ 13{nameOfApplication=Show}

사회과학| 2009.10.07| 13페이지| 1,000원| 조회(222)

정책, 정보유통, 인터넷 여론, 인터넷 이슈

미리보기

닫기