• 지능정보연구
• /
• 제23권1호
• /
• pp.95-108
• /
• 2017

최근 알파고의 등장으로 딥러닝 기술에 대한 관심이 고조되고 있다. 딥러닝은 향후 미래의 핵심 기술이 되어 일상생활의 많은 부분을 개선할 것이라는 기대를 받고 있지만, 주요한 성과들이 이미지 인식과 자연어처리 등에 국한되어 있고 전통적인 비즈니스 애널리틱스 문제에의 활용은 미비한 실정이다. 실제로 딥러닝 기술은 Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Deep Boltzmann Machine (DBM) 등 알고리즘들의 선택, Dropout 기법의 활용여부, 활성 함수의 선정 등 다양한 네트워크 설계 이슈들을 가지고 있다. 따라서 비즈니스 문제에서의 딥러닝 알고리즘 활용은 아직 탐구가 필요한 영역으로 남아있으며, 특히 딥러닝을 현실에 적용했을 때 발생할 수 있는 여러 가지 문제들은 미지수이다. 이에 따라 본 연구에서는 다이렉트 마케팅 응답모델, 고객이탈분석, 대출 위험 분석 등의 주요한 분류 문제인 이진분류에 딥러닝을 적용할 수 있을 것인지 그 가능성을 실험을 통해 확인하였다. 실험에는 어느 포르투갈 은행의 텔레마케팅 응답여부에 대한 데이터 집합을 사용하였으며, 전통적인 인공신경망인 Multi-Layer Perceptron, 딥러닝 알고리즘인 CNN과 RNN을 변형한 Long Short-Term Memory, 딥러닝 모형에 많이 활용되는 Dropout 기법 등을 이진 분류 문제에 활용했을 때의 성능을 비교하였다. 실험을 수행한 결과 CNN 알고리즘은 비즈니스 데이터의 이진분류 문제에서도 MLP 모형에 비해 향상된 성능을 보였다. 또한 MLP와 CNN 모두 Dropout을 적용한 모형이 적용하지 않은 모형보다 더 좋은 분류 성능을 보여줌에 따라, Dropout을 적용한 CNN 알고리즘이 이진분류 문제에도 활용될 수 있는 가능성을 확인하였다.

• 한국가정과교육학회지
• /
• 제19권4호
• /
• pp.91-117
• /
• 2007

이 연구는 우리나라 가정과 교육과정과 실천적 문제 중심 교육과정을 개발 적용하는데 선구적 역할을 해온 미국의 오레곤 주와 오하이오 주의 가정과 교육과정의 비교를 통하여 교육과정에서 다루는 교육내용과 실천적 문제를 분석하고, 교수 학습 과정과 평가 방법을 살펴보았다. 연구 결과 우리나라의 경우 가정학의 주요 개념을 중심으로, 오레곤 주는 중학교는 가족의 기능을 중심으로, 고등학교는 청소년의 6가지 역할을 중심으로 가정교과 전체를 통합한 실천적 문제를 다루고 있었으며, 오하이오 주의 경우 실천적 문제를 해결하는데 요구되는 능력을 내용영역으로 구분하여 관심분야, 모듈, 지지개념으로 세분하고 교수 학습 활동은 모듈 단위로 지지개념이 포함된 실천적 문제를 다루고 있었다. 우리나라의 교수 학습 과정은 지식과 이론 위주의 주입식 수업이 주를 이루고 있는데 앞으로는 실천적 문제 해결을 위한 수행 활동 중심으로 바뀌어야 한다. 단순한 지식이나 이론의 전달만이 아닌 구체적이고 실천적인 문제를 다루고 문제 해결 과정도 다양한 학생 활동으로 구성하여야 한다. 미국 오레곤 주와 오하이오 주의 실천적 문제 중심 교육과정의 교수 학습 방법은 주로 학생들의 그룹별 협동 학습을 강조하였고 기술적 행동과 해석적 행동 및 해방적 행동으로 교수 학습 과정이 이루어진다. 평가의 경우 오레곤 주나 오하이오 주 모두 실천문제를 다루다 보니 지필 평가 보다 활동 평가가 주를 이루고 있다. 오레곤 주의 경우 학년을 수료할 때 통합교과적인 평가도 시행하고 있다. 우리나라도 수행평가를 반영하도록 권장하고 있으나, 개념 중심 교육과정에서는 지식과 개념의 이해를 묻는 지필평가가 주를 이루고 있으며, 수행평가의 경우 신뢰성과 타당성 문제를 야기하고 있어서 평가의 주는 지필평가에 의존하고 있는 상황이다. 그러나 우리나라의 가정과 교육과정이 실천적 문제 중심으로 전환된다면, 수행평가가 주를 이루어야 할 것이며 이에 따르는 문제점도 연구되어야 할 것이다.inserting a lock field in data file header structure. The lock field intensifies the security of a data file. Finally we proposed a data file search mechanism and free space search mechanism using only data file header. The file system using these mechanisms spends smaller memory than that using a file description table and record of unallocated space. 촉매로 사용하여 아이소옥탄 내에서 라세믹 나프록센 2,2,2-트리플로로에틸 씨오에스터의 효소적 DKR 반응을 수행해 보았다. 그 결과 DIAION WA30을 사용하지 않은 경우에 비해 반응 전환율과 생성물의 광학 순도는 급격히 향상되었다. 전통적 광학분할 반응의 최대 50%라는 전환율의 제한이 본 연구에서 찾은 DIAION WA30을 첨가함으로써 성공적으로 극복되었다. 또한 고체 염기촉매인 DIAION WA30의 사용은 라세미화 촉매의 회수 및 재사용이 가능하게 해준다.해준다.다. TN5 세포주를 0.2 L 규모 (1 L spinner flask)oJl에서 세포간의 응집현상 없이 부유배양에 적응,배양시킨 후 세포성장 시기에 따른 발현을 조사한 결과 1 MOI의 감염조건 하에서는 $0.6\times10^6$cell/mL의 early exponential시기의 세포밀도에서 72시간 배양하였을 대 최대 발현양을 나타내었다. 나타내었다. $\beta$4 integrin의 표현이 침투 능력을 높이는 역할을 하나 이때에는 laminin과 같은 리간드와의 특이 결합에 의존하지는 않는 것으로 사료된다.상경적 결합시험의

• 동양고전연구
• /
• 제69호
• /
• pp.451-479
• /
• 2017

이 연구의 목적은 "무예도보통지" 무예의 유네스코 인류무형유산 등재를 위한 과제를 검토하는 것이다. 이에 대한 결론은 다음과 같다. 첫째, "무예도보통지"는 1790년(정조 14)에 편찬되었다. "무예도보통지"의 24가지 무예는 기본적으로 찌르는 방식의 자법(刺法), 찍어 베는 방식의 감법(坎法), 치는 방식의 격법(擊法)의 세 가지 방식으로 구분하였다. 둘째, "무예도보통지"의 무예가 무예사적 가치로 높이 평가되는 이유는 18세기 한국 중국 일본의 동양 삼국 무예를 조선의 실정에 맞게 새로운 안목으로 체계적으로 정리하고 종합한 것이다. "무예도보통지"가 세계기록유산으로 갖는 가치는 장교와 군졸을 가릴 것 없이 모든 사람이 쉽게 익힐 수 있도록 실용성을 강조하면서 만든 무예 서적이라는 점이다. 셋째, "무예도보통지" 무예의 유네스코 인류무형유산 등재절차는 준비 및 제출, 심사, 결정의 세 단계로 진행되며, 소요되는 기간은 2년이다. 특히 심사보조기구는 무형유산보호 정부간위원회 산하 기구로서 24개 위원국 가운데 각 지역별로 1개국씩 전체 6개국으로 구성되어 있다. 넷째, "무예도보통지" 무예의 인류무형유산 등재 과제는 다음과 같다. (1) "무예도보통지" 소장본에 대한 전수조사가 필요하다. (2) "무예도보통지" 무예의 시 도무형문화재 또는 국가무형문화재 지정이 필요하다. (3) "무예도보통지" 무예 기법 및 동작에 대한 실기 표준화 작업이 필요하다. (4) "무예도보통지" 무예 복장 및 무기에 대한 고증이 이루어져야 한다. (5) "무예도보통지" 무예 유네스코 인류무형유산 등재추진위원회가 결성되어야 한다. (6) 문화재청 세계유산팀, 외교부 등 관련 부처와 긴밀한 협조 체제를 이루어야 한다. (7) 유네스코 등재기준과 충족을 위한 국내외의 "무예도보통지" 무예 관련 자료 수집을 포괄적으로 진행해야 한다. (8) 인류무형유산 등재유형에 대한 준비가 있어야 한다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.