• Journal of Engineering Education Research
• /
• v.11 no.2
• /
• pp.32-41
• /
• 2008

The paper deals with the introduction of creative engineering design education in School of Mechanical Engineering, Yonsei University. The course is referred to as Creative Mechanical Engineering Design (1) for 2nd-year undergraduates who newly enter a major in mechanical engineering. This course emphasizes creative thinking and practical experiences to students by learning engineering design skills, realizing their idea through problem based learning (PBL) and design project and recognizing actual results of a product. The paper describes course contents, and discusses students’ responses to lecture, PBL and design projects.

• Proceedings of the Korean Information Science Society Conference
• /
• 2010.06b
• /
• pp.184-187
• /
• 2010

본 논문에서는 터치 제스처의 인식을 위해 시도된 여러 방법 중 테이블탑 디스플레이상에서 HMM을 이용한 제스처의 학습과 사용에 대해 제안한다. 터치 제스처는 제스처의 획(stroke)에 따라 single stroke와 multi stroke로 분류할 수 있다. 그러므로 제스처의 입력은 영상프레임에서 터치 궤적에 따라 변하는 방향 벡터를 이용하여 방향코드로 분석될 수 있다. 그리고 분석된 방향코드를 기계학습을 통하여 학습시킨 후, 인식실험에 사용한다. 제스처 인식 학습에는 총 10개의 제스처에 대하여 100개 방향코드 데이터를 이용하였다. 형태를 갖추고 있는 제스처는 미리 정의되어 있는 제스처와 비교를 통하여 인식할 수 있다. (4 방향 드래그, 원, 삼각형, ㄱ ㄴ 모양 >, < ) 미리 정의되어 있는 제스처가 아닌 경우에는 기계학습을 통하여 사용자가 의미를 부여한 후 제스처를 정의하여 원하는 제스처를 선택적으로 사용할 수 있다. 본 논문에서는 테이블탑 디스플레이 환경에서 사용자의 터치제스처를 인식하는 시스템을 구현하였다. 앞으로 테이블탑 디스플레이 환경에서 터치 제스처 인식에 적합한 알고리즘을 찾고 멀티터치 제스처를 인식하는 연구도 이루어져야 할 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.332-332
• /
• 2021

도시화가 상당히 이뤄지고 기습적인 폭우의 발생이 불확실하게 나타나는 시점에서 재산 및 인명피해를 야기할 수 있는 내수침수에 대한 위험도가 증가하고 있다. 내수침수에 대한 예측을 위하여 실측강우 또는 확률강우량 시나리오를 참조하고 연구대상 지역에 대한 1차원 그리고 2차원 수리학적 해석을 실시하는 연구가 오랫동안 진행되어 왔으나, 수치해석 모형의 경우 다양한 수문-지형학적 자료 및 계측 자료를 요구하고 집약적인 계산과정을 통한 단기간 예측에 어려움이 있음이 언급되어 왔다. 본 연구에서는 위와 같은 문제점을 해결하기 위하여 단일 도시 배수분구를 대상으로 관측 강우 자료, 1, 2차원 수치해석 모형, 기계학습 및 딥러닝 기법을 적용한 실시간 홍수위험지도 예측 모형을 개발하였다. 강우자료에 대하여 실시간으로 홍수량을 예측할 수 있도록 LSTM(Long-Short Term Memory) 기법을 적용하였으며, 전국단위 강우에 대한 다양한 1차원 도시유출해석 결과를 학습시킴으로써 예측을 수행하였다. 침수심의 공간적 분포의 경우 로지스틱 회귀를 이용하여, 기준 침수심에 대한 예측을 각각 수행하였다. 홍수위험 등급의 경우 침수심, 유속 그리고 잔해인자를 고려한 홍수위험등급 공식을 적용하여 산정하였으며, 이 결과를 랜덤포레스트(Random Forest)에 학습함으로써 실시간 예측을 수행할 수 있도록 개발하였다. 침수범위 및 홍수위험등급에 대한 예측은 격자 단위로 이뤄졌으며, 검증 자료의 부족으로 침수 흔적도를 통하여 검증된 2차원 침수해석 결과와 비교함으로써 예측력을 평가하였다. 본 기법은 특정 관측강우 또는 예측강우 자료가 입력되었을 때에, 도시 유역 단위로 접근이 불가하여 통제해야 할 구간을 실시간으로 예측하여 관리할 수 있을 것으로 판단된다.

• The Journal of Society for e-Business Studies
• /
• v.27 no.1
• /
• pp.1-13
• /
• 2022

With the development of network technologies, the security to protect organizational resources from internal and external intrusions and threats becomes more important. Therefore in recent years, the anomaly detection algorithm that detects and prevents security threats with respect to various security log events has been actively studied. Security anomaly detection algorithms that have been developed based on rule-based or statistical learning in the past are gradually evolving into modeling based on machine learning and deep learning. In this study, we propose a deep-autoencoder model that transforms LSTM-autoencoder as an optimal algorithm to detect insider threats in advance using various machine learning analysis methodologies. This study has academic significance in that it improved the possibility of adaptive security through the development of an anomaly detection algorithm based on unsupervised learning, and reduced the false positive rate compared to the existing algorithm through supervised true positive labeling.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.489-490
• /
• 2023

기계 학습에서 데이터 및 기능은 기계 학습의 상한을 결정한다.이러한 기능은 산업 생산에서 과도한 데이터 양과 유형으로 인해 상당한 추가 비용이 발생할 수 있다. 따라서 적절한 특징 처리 방법이 매우 중요해졌다. 대부분의 기존 특징 처리 방법은 특징 엔지니어링을 기능 검색 문제, 즉 모델 성능을 최적화할 수 있는 기능 변환 작업을 검색하는 것으로 추상화한다. 그러나 자동 특징 엔지니어링의 경우 검색량과 변환 조합의 수가 매우 많기 때문에 요인 분해 기반 모델을 사용하여 벡터 곱셈을 통해 상호 작용을 측정하면 조합 특징의 패턴을 자동으로 학습하는 방법이 특히 효율적이다. xDeepFM 은 명확한 방식으로 특징적인 상호작용을 생성하도록 설계된 새로운 Compressed Interaction Network (CIN)를 제안한다. 여기에 제시된 Low-rank Compressed Interaction Network(LRCIN )은 xDeepFM 접근 방식에서 CIN 네트워크의 단순화된 개선을 기반으로 하며 xDeepFM 에 주의 메커니즘을 추가하여 보다 정확하게 예측된다. 실험 결과에 따르면 모델은 계산 복잡성을 단순화할 뿐만 아니라 예측 정확도도 다른 모델보다 훨씬 우수한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.402-405
• /
• 2023

본 연구의 목적은 발생한 거래에 대해 적합한 회계 계정을 선택하는 예측 모델을 생성하는 것이다. 이를 통해 단기적으로 보조 수단으로 활용하여 회계 전표 승인에 대한 소요 시간을 단축하거나, 장기적으로 손익계산서가 일정 오차율 이내에서 자동으로 빠르게 작성됨으로써 재무 정보의 적시성을 올려주고, 기업의 실적을 나타냄에 있어 개별 담당자의 주관이 개입될 여지가 줄어든다는 면에서 재무 정보의 객관성을 올려줄 것으로 기대한다. 제안하는 모델은 비용 전표 이력의 적요를 자연어 처리하고 학습한 모델을 통해 1 차(공시용) 비용 계정을 분류한다. 분류 결과를 범위로 활용하는 기계 학습을 활용하여 좀 더 세밀한 범위의 2 차(관리용) 비용 계정을 분류하였다.

• Journal of the KSME
• /
• v.56 no.3
• /
• pp.37-39
• /
• 2016

최근 기존산업의 성장정체, 기술적 여건 성숙, 소비자 욕구 다양화 등으로 산업융합은 글로벌 메타트레드로 가속화되고 있다. 교육의 페러다임 전환과 대학교육 방법의 혁신이 진행되면서 상호존중과 협력을 기초로 효과적이면서도 효율적인 과정과 성과를 달성하는 팀 관련 활동 및 팀의 가치와 효과에 관한 관심이 높아지고 있다. 이 글에서는 산업융합 시대 팀기반 티칭과 학습의 효과적인 방안에 대하여 소개하고자 한다.

• Journal of Engineering Education Research
• /
• v.8 no.1
• /
• pp.20-30
• /
• 2005

Recently, a new education paradigm 'Self-directed Learning' has attracted considerable attention. Problem-Based Learning (PBL) has been recognized as methodology to help students expand scientific thinking and knowledge. improve applicability, develope critical knowledge, and creatively solve problems. There have been significant efforts to develope PBL-based courses in mechanical engineering. A new PBL-based, multi-disciplinary course 'Product Dissection and Design Reasoning' has been developed in this paper. The course examines the way in which products and machines work and is intended to show freshman or sophomore level students how fundamental physical principles relate to engineering practice through hands-on dissection experience : thus, the course emphasizes the importance of knowledge of the fundamental physics for design reasoning. The primary role of this course is to develop creative design manpower. This paper describes the philosophy and content of this course and presents results from one year of development.

• The KIPS Transactions:PartD
• /
• v.11D no.3
• /
• pp.731-740
• /
• 2004

In this paper we propose a fast negotiation agent system that guarantees the reciprocity of the attendants in a bilateral negotiation on the e-commerce. The proposednegotiation agent system exploits the incremental learning method based on an artificial neural network in generating a counter-offer and is trained by the previous offer that has been rejected by the other party. During a negotiation, the software agents on behalf of a buyer and a seller negotiate each other by considering the multi-attributes of a product. The experimental results show that the proposed negotiation system achieves better agreements than other negotiation agent systems that are operated under the realistic and practical environment. Furthermore, the proposed system carries out negotiations about twenty times faster than the previous negotiation systems on the average.

• Journal of the Korea Institute of Information Security & Cryptology
• /
• v.32 no.2
• /
• pp.267-277
• /
• 2022

Due to the increasing proportion of cloud and remote working environments, various information security incidents are occurring. Insider threats have emerged as a major issue, with cases in which corporate insiders attempting to leak confidential data by accessing it remotely. In response, insider threat detection approaches based on machine learning have been developed. However, existing machine learning methods used to detect insider threats do not take biases and variances into account, which leads to limited performance. In this paper, boosting-type ensemble learning algorithms are applied to verify the performance of malicious insider detection, conduct a close analysis, and even consider the imbalance in datasets to determine the final result. Through experiments, we show that using ensemble learning achieves similar or higher accuracy to other existing malicious insider detection approaches while considering bias-variance tradeoff. The experimental results show that ensemble learning using bagging and boosting methods reached an accuracy of over 98%, which improves malicious insider detection performance by 5.62% compared to the average accuracy of single learning models used.