지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김용수
- 발행연도
- 2017
- 저작권
- 경기대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 국내 빅데이터 시장의 꾸준한 성장세로 많은 기업들이 데이터를 활용한 솔루션 시스템 구축에 관심을 보이고 있다. 이미 ICT를 선도하는 기업들은 자사가 보유한 데이터를 통합하여 빅데이터 도입에 대한 초석을 갖추고 있으며, 그간 관심이 미진했던 제조업계에서도 스마트 팩토리 솔루션의 도입과 함께 데이터 활용에 관한 의지를 보이고 있다. 그러나 실제 데이터를 활용하는데 있어서 아직도 많은 기업들이 어려움을 호소하고 있으며, 그 원인으로는 수집한 데이터의 양이 너무 적거나 무분별한 수집으로 인해 분석이 어려운 수준인 낮은 질의 데이터를 보유하는 경우가 다수 존재한다. 이러한 문제들은 충분히 데이터를 활용할 역량을 갖춘 기업이나 전문 인력일지라도 수집단계에서 해결하지 않으면 극복이 어려울 수 있다. 따라서 본 연구는 데이터의 제한적 수집 환경에서 적절한 가이드라인을 제안하고, 수집단계에서 양질의 데이터 수집의 중요성을 확인하고자 한다.
본 연구는 데이터의 수집의 다양한 환경을 반영하여 실험을 설계하였다. 우선, 한 가지 선형모델과 두 가지 비선형모델을 통해 각 1만개의 데이터를 생성하였다. 그리고 각 모델의 데이터로부터 샘플 크기, 독립변수의 개수, 오차에 따른 차이를 두고 임의의 데이터들을 추출함으로써 데이터의 제한적 수집 형태를 고려한 실험점들을 설계하였다. 이후 각 실험점들을 머신러닝 기법을 통해 훈련시키고 결과를 예측하여 기법 간 성능을 비교하였다. 이때, 사용된 머신러닝 기법은 최근 데이터 분석에서 주로 사용되는 인공신경망, SVM과 전통적으로 사용되는 회귀분석을 이용하였으며, 성능 비교에 대한 척도로는 RMSE(Root Mean Square Deviation)값을 도출하였다. 마지막으로 분산분석을 통해 각 실험점 별로 도출한 RMSE값에 대한 통계적 유의성을 검증하였다.
본 연구는 데이터의 수집의 다양한 환경을 반영하여 실험을 설계하였다. 우선, 한 가지 선형모델과 두 가지 비선형모델을 통해 각 1만개의 데이터를 생성하였다. 그리고 각 모델의 데이터로부터 샘플 크기, 독립변수의 개수, 오차에 따른 차이를 두고 임의의 데이터들을 추출함으로써 데이터의 제한적 수집 형태를 고려한 실험점들을 설계하였다. 이후 각 실험점들을 머신러닝 기법을 통해 훈련시키고 결과를 예측하여 기법 간 성능을 비교하였다. 이때, 사용된 머신러닝 기법은 최근 데이터 분석에서 주로 사용되는 인공신경망, SVM과 전통적으로 사용되는 회귀분석을 이용하였으며, 성능 비교에 대한 척도로는 RMSE(Root Mean Square Deviation)값을 도출하였다. 마지막으로 분산분석을 통해 각 실험점 별로 도출한 RMSE값에 대한 통계적 유의성을 검증하였다.
목차
Ⅰ. 서론 11.1 연구배경 및 필요성 11.2 연구방법 및 절차 3Ⅱ. 관련문헌 연구 6Ⅲ. 분석에 사용된 머신러닝 기법 83.1 회귀분석 83.2 인공신경망 103.3 서포트 벡터 머신 12Ⅳ. 모델에 따른 데이터 생성 및 분할수집 방법 154.1 선형모델 154.2 비선형 제품운반모델 184.3 비선형 윈드터빈모델 21Ⅴ. 실험 결과 및 평가 265.1 RMSE를 통한 기법의 성능 평가 265.2 분산분석을 통한 요인 별 비교 분석 30Ⅵ. 결론 406.1 연구결과에 대한 결론 및 제언 406.2 추후연구과제 43참고문헌 44Abstract 48
최근 본 자료
댓글(0)
0