Earticle

This article is two-fold. The ultimate goal of this article is to provide a big data analysis of 330 reviews of the movie Noryang and to evaluate the Naive Bayes model, the Random Forests model, the DNN model, and the LSTM model in machine learning and deep learning. A point to note is that the name Yi, Sun-shin was the most widely used by viewers, followed by the word movie, and the word general, in that order. A major point of this article is that the name Yi, Sun-shin and the word movie showed up twice as the first keyword. This in turn implies that these keywords are the most noteworthy ones. The sentiment analysis argues that about 75% of viewers think of the film as well-made and that they were highly satisfied with it. In this paper, we used the Naive Bayes model, the Random Forests model, the DNN model, and the LSTM model and made them predict whether each review is positive or negative. The Random Forests model works well for our data, whereas the Naive Bayes model does not. When learning took place 25 times, the DNN model worked well for our data (its accuracy rate is 82.76%). When it comes to the LSTM model, its accuracy did not improve even though learning took place 9 times. Yet, the LSTM model is slightly better than the DNN model with respect to the accuracy rate of test data.

Since the government issued ICT priority policy for the last decade, Vietnam was reported to have impressed development of ICT infrastructure and Internet users. Until May of 2015, Vietnam has 39.7 millions of Internet users and 31 millions of social network user accounts. Facebook is the dominant website with more than 22 million Vietnamese users and 70% of those accesses Facebook via mobile phone. Several companies have utilized Facebook as the most effective interaction channels. The increasing of big text data such as posts and comments on Facebook that embed customer opinions requires method to mine sentiment text in Vietnamese language. This research applies machine learning with several algorithms such Naive-Bayes, decision trees and Support Vector Machine (SVM) for Vietnamese text data collected from fast-food industry on Facebook. The experiment results show that machine learning methods are able to classify Vietnamese sentiment text with the accuracy over 70%. Thus we proposed several recommendations for mining Vietnamese social text data.

본 연구는 폐경 여성의 이상지질혈증 예측을 위한 머신러닝 모델을 비교하는 것을 목적으로 수행하였다. 국민건강영양조사 제9기 1차 자료를 활용하였으며, 결측 값을 제외한 폐경 여성 1,115명의 데이터를 분석하였다. 이상지질혈증은 고콜레스테롤혈증 또는 고중성지방혈증 중 하나에 해당하는 경우로 정의하 였다. 대상자의 특성은 IBM SPSS 25.0을 이용해 기술통계 및 교차분석으로 수행하였으며, 머신러닝 분석은 Orange 3.35 프로그램을 활용하여 로지스틱 회귀분석, 랜덤 포레스트, 그래디언트 부스팅 모델을 적용하였다. 연구 결과 대상자의 54%가 이상지질혈증을 보유하였으며, 랜덤 포레스트 모델이 정밀도 0.85, 재현율 0.82 으로 가장 우수한 성능을 보였다. 그래디언트 부스팅 모델은 AUC 0.89로 이상지질혈증 유무를 효과적으로 구분하는 모델임을 확인하였다. 주요 예측 요인은 직업, 나이, 비만, 만성질환 가족력, 모유수유 경험 등이었다. 본 연구는 랜덤 포레스트 모델과 그래디언트 부스팅 모델이 폐경 여성의 이상지 질혈증을 예측하는 데 유용한 도구가 될 수 있음을 제언하며, 폐경 여성 건강문제 해결을 위한 기초자료로 의미가 있다.

This study compared machine learning models for predicting dyslipidemia in postmenopausal women using data from the first yaer of the 9th Korea National Health and Nutrition Examination Survey. A total of 1,115 postmenopausal women were analyzed after excluding missing values. Participant characteristics were analyzed using SPSS 25.0, while machine learning analysis was conducted with the Orange 3.35 program, applying logistic regression, random forest, and gradient boosting models. Among the participants, 54 percent had dyslipidemia. The random forest model demonstrated the highest performance, achieving a precision of 0.85 and a recall of 0.82, while the gradient boosting model had the highest AUC of 0.89, indicating strong classification capability. Key predictive factors included occupation, age, obesity, family history of chronic diseases, and breastfeeding history. This study suggests that random forest and gradient boosting models can effectively predict dyslipidemia in postmenopausal women, providing essential data for addressing health concerns in this population.

본 연구에서는 상수도관 누수 감지를 위한 머신러닝 모델의 적용 가능성을 평가하였다. 상수관로 누수 탐지 공개 데이터셋을 활용해 개발한 극한 경사 부스팅(XGBoost), 경사 부스팅 머신(GBM), LightGBM, 범주형 부스팅(CatBoost), 적응형 부스팅(AdaBoost), 랜덤 포레스트(RF) 머신러닝 모델을 혼동 행렬과 성능 지수를 활용한 분류 성능을 기준으로 평가 및 비교를 하였다. 그 결과 최신 부스팅 모델인 XGBoost, GBM, LightGBM, CatBoost는 RF 및 AdaBoost 모델에 비해 우수한 분류 성능을 나타내었다. 최신 부스팅 모델의 성능은 비슷하지만, LightGBM 모델(정확도 = 0.960, 정밀도 = 0.941, 재현율 = 0.955, F1 점수 = 0.948, 특이도 = 0.970)이 가장 우수한 성능을 나타내는 것으로 분석되었다. 따라서 최신 부스팅 머신러닝 모델은 빅데이터 기반 상수도관 누수 감지 시스템을 개발하고 상수도관 누수 위험을 관리하는 효과적인 예측 도구로 사용할 수 있을 것으로 판단된다.

The applicability of machine learning models for detecting water pipeline leakage was evaluated in this study. The machine learning models, extreme gradient boosting (XGBoost), gradient boosting machine (GBM), LightGBM, categorical boosting (CatBoost), adaptive boosting (AdaBoost), and random forest (RF) models, which were developed using the open dataset of water pipeline leakage detection, were evaluated and compared based on classification performance using confusion matrix and performance indices. The results show that the latest boosting models, XGBoost, GBM, LightGBM, and CatBoost, yield superior classification performance compared to RF and AdaBoost models. Although the performance of the latest boosting models is similar, the LightGBM model (accuracy = 0.960, precision = 0.941, recall = 0.955, F1-score = 0.948, and specificity = 0.970) shows the best performance. Therefore, the latest boosting machine learning models can be used as effective predicting tools to develop big data-based water pipeline leakage detection systems and manage water pipeline leak risks.

This paper discusses the performance of linear regression, regression tree, support vector regression, and ensemble learners in modelling airflow between two spaces based on accuracy and training time. To obtain training data, different scenarios from an existing computational fluid dynamics (CFD) model are simulated via transient analysis using Cradle scSTREAM. The raw dataset is transformed to having time step sizes of 2.5s, 5.0s, and 50.0s. Feature scaling is also employed on the each data set using both min-max scaling and z-score methods for a total of 9 datasets. Hyperparameters according to machine learning (ML) algorithms are varied such that 15 ML models across the four algorithms are developed. The results show that the regression trees perform the best over all other algorithms, with all models maintaining R2 values above 0.95 at the different datasets. On the other hand, as expected, all linear models demonstrated poor performance compared to nonlinear models. Data resolution affects model accuracy and training time, with accuracy declining slightly as time step size increased. It is also found that there is no significant effect of feature scaling. Lastly, ML models yield substantially cheaper simulation costs than CFD to simulate airflow.

비만은 세계보건기구에서 질병으로 규정하고 있으며, 신체 내외부적인 영향을 나타낸다. 본 연구는 머신러닝을 이용 하여 생활패턴에 따른 비만도를 예측하고자 한다. 머신러닝에 이용한 데이터는 오픈데이터를 사용하였으며, 머신러닝 모델은 구글 코랩, 파이썬을 이용하고 모델 구성은 Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, Naive bayes 총 5개의 모델로 구성하였다. 각 모델 성능 평가 지표는 정확도, area under curve, 재현율, 정밀도, F1-score로 평가하였다. 해당 데이터를 활용한 5개 모델 중 Light Gradient Boosting Machine이 모든 지표에서 성능이 가장 우수 했으며, 지표에 대한 결과는 정확도 0.9601, area under curve 0.9981, 재현율 0.9601, 정밀도 0.9611, F1 score 0.9601이었다. 본 연구를 통해 기본적인 생활 패턴에 따른 비만도 예측을 통해 비만에 대한 사전 예방이 가능할 것으로 사료된다.

Obesity is defined as a disease by the World Health Organization and indicates internal and external influences on the body. This study aims to predict obesity according to lifestyle patterns using machine learning. The data used for machine learning used open data, and the machine learning model used Google Colab and Python. The model configuration consisted of a total of five models: Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, and Naive Bayes. The performance evaluation indices for each model were accuracy, area under curve, recall, precision, and F1-score. Among the five models using the data, Light Gradient Boosting Machine showed the best performance in all indices, and the results for the indices were accuracy 0.9601, area under curve 0.9981, recall 0.9601, precision 0.9611, and F1-score 0.9601. Through this study, it is believed that it will be possible to prevent obesity in advance by predicting obesity according to basic lifestyle patterns.

본 연구는 2023년 충청남도 홍성군 산불피해지 대상으로 Maximum Likelihood Classification(MLC), Random Forest(RF), Support Vector Machine(SVM), K-Nearest Neighbors(KNN) 이상 4가지 머신러닝 알고리 즘 모델의 산불피해 강도 분류 성능을 파악하기 위해 실시되었다. 검증데이터와 비교한 결과, 모델 총 성능은 Random Forest(RF)의 Overall Accuacy(OA)와 Cohen’s Kappa 계수가 97.2%와 0.95로 가장 높은 성능을 보였다. RF는 여러 개의 의사결정 나무들을 결합하여 최종 예측을 하므로 데이터의 불균형을 해소할 수 있다. 또한, 산불피해 강도에 따른 성능은 모든 머신러닝 알고리즘 모델에서 열해 피해지가 수관화 및 지표화 피해지에 비해 낮은 탐지 성능을 나타냈다. 이는 수관화ㆍ열해 피해지의 분광 반사율 패턴이 유사하고, 열해·지표화 피해지의 경우 복잡한 수관층 구조로 인해 탐지 성능이 낮은 것으로 판단된다. 이와 같은 머신러닝 알고리즘 모델을 통한 산불피해 강도별 면적을 산출은 신속한 복구계획 수립뿐만 아니라 산불로 인한 온실가스 배출량 산정에 기초자료를 제공할 수 있을 것이다.

This study aims to evaluate the wildfire severity classification performance of four machine learning algorithm models, Maximum Likelihood Classification(MLC), Random Forest(RF), Support Vector Machine(SVM) and K-Nearest Neighbors(KNN), in the wildfire areas of Hongseong-gun, Chungcheongnam-do, in 2023. Compared with the verification dataset, the overall performance of the models indicated that the Random Forest(RF) showed the highest accuracy. The highest performance of the Random Forest(RF) model can be explained by its ability to combine multiple decision trees for a final prediction. Furthermore, the performance based on wildfire severity showed that all machine learning algorithm models had lower detection performance in heat damage areas compared with crown and surface fire areas. Crown and heat damage areas have similar spectral reflectance patterns, and heat damage and surface fire areas are considered to have shown lower performance due to the complex canopy structure. Machine learning based burn severity estimation provide critical baselines for rapid recovery planning and greenhouse gas emissions calculations.

The ionosphere is the part of the Earth's atmosphere with a high concentration of free electrons and ions. The ionosphere is characterised by its variability and inhomogeneity. One of the characteristic inhomogeneities is the so-called auroral oval, which determines the range of auroral radiance. Detection of the auroral oval is an important task for forecasting auroral storms, as they affect long-range communication systems, navigation, satellite-to-ground communications, making communications complicated or impossible. Therefore, an auroral oval detection and prediction needs to be performed in order to be informed about the area of their possible influence at certain time intervals. On the basis of the available image dataset from SIMuRG, which is based on GNSS data, it is proposed to use the LSTM model and CNN architecture. The paper reviews existing implementations and proposes a method for predicting auroral oval movements in the images, using the Convolutional LSTM architecture, which combines time series processing and computer vision. The work results in a machine learning model that can make the predictions based on even small sets of data.

In this study, we sought to compare and evaluate the accuracy and predictive performance of machine learning algorithms for estimating the growth of individual Larix kaempferi trees in Gangwon Province, Korea. We employed linear regression, random forest, XGBoost, and LightGBM algorithms to predict tree growth using monitoring data organized based on different thinning intensities. Furthermore, we compared and evaluated the goodness-of-fit of these models using metrics such as the coefficient of determination (R2), mean absolute error (MAE), and root mean square error (RMSE). The results revealed that XGBoost provided the highest goodness-of-fit, with an R2 value of 0.62 across all thinning intensities, while also yielding the lowest values for MAE and RMSE, thereby indicating the best model fit. When predicting the growth volume of individual trees after 3 years using the XGBoost model, the agreement was exceptionally high, reaching approximately 97% for all stand sites in accordance with the different thinning intensities. Notably, in non-thinned plots, the predicted volumes were approximately 2.1 m3 lower than the actual volumes; however, the agreement remained highly accurate at approximately 99.5%. These findings will contribute to the development of growth prediction models for individual trees using machine learning algorithms.

In 2022, the Korean government announced its intention to join the CPTPP, led by Japan and launched in 2018, which aims to achieve comprehensive tariff abolition and establish new trade norms. According to our analysis, as with traditional gravity model outcomes, it appears that the greater the per capita GDP and the shorter the distance between countries, the greater the effect on promoting trade. However, the trade-enhancing effect after the enforcement of the CPTPP has not yet been clearly confirmed. Nevertheless, if tariff abolition and reduction proceed as planned, the trade-enhancing effect of the CPTPP is expected to gradually expand. On the other hand, an increase in trade between Japan and CPTPP member countries may suggest a potential contraction in trade with non-member countries. This could pose a threat to Korean industries that need to establish a stable supply chain within the Asia-Pacific region. As Japan is South Korea's fourth largest trading partner, a detailed review of the impact of the CPTPP on future trade between Japan and its member countries should form the basis for discussions on Korea's possible participation in the CPTPP and the content of negotiations.

Although there have been studies using various algorithms on the delivery time prediction in the logistics business, those studies did not reflect various features such as region or product. In the case of delivery time prediction of a single model that does not reflect the features, the accuracy of delivery time prediction for a region with a high distribution is high, but the prediction accuracy is low for a region with a low distribution. To solve this problem, this paper proposes a method of classifying logistic patterns using clustering and selecting an optimal model for each logistic pattern. The proposed method consists of four steps. First, the derived variables such as reception day, delivery speed and delivery distance are created. Second, the data with the same pattern goes through clustering using K-means. Third, by comparing the performance of each model using six regression algorithms for each classified logistic pattern, an optimal model is selected and the model is stored. Lastly, the logistic pattern of the data to be predicted is classified and the optimal model stored for each pattern is loaded, and the result of delivery time prediction is provided through the model. Two experiments were performed to verify the proposed method. The e-commerce data from Brazil is used as verification data. From the experiment, the delivery time prediction error of the proposed model was smaller than that of the single regression model.

기후변화로 인해 집중호우의 발생 빈도 및 강도가 증가하였고 지역별 강수량, 유출량 및 증발산량을 변화시켜 자연재난으로 인한 피해 범위와 규모도 증가하고 있다. 수자원 관리를 위해 주로 사용되는 물리 모형은 입력자료의 구축이 어렵고 사용자에 따라서 신뢰할 수 없는 결과가 도출될 수 있다. 이러한 문제점을 보완하기 위해 수자원분야에서 인공지능(Artificial Inteligence, AI)의 활용도가 높아지고 있다. 따라서 본 연구에서는 삼척 오십천을 대상유역으로 하여 삼척 오십천 하구의 홍수유출 모의를 진행했다. 홍수유출모의에 있어 삼척 오십천교의 1시간 단위 관측 유출량및 기상관측소 5개 지점(태백, 도계, 신기, 삼척, 동해)의 강우자료를 수집했다. 또한 관측 유출량을 잘 반영할 수 있는 인공지능 모델을 제안하기 위해 태백, 도계, 신기 관측소에 각각 9시간, 8시간, 6시간을 지체시간으로 적용하여 LSTM 모델에 학습했 다. 2014년 8월 기간을 모델에 학습(Train)하여 2011년 7월, 2012년 7월, 2020년 8월을 모델 검증(Validation) 에 이용했다. 그 결과 2011년 7월, 2012년 7월, 2020년 8월 NPE는 0.03, 0.2, 0.2로 첨두홍수량과 도달시간이 관측자료와 유사하게 모의되어 수자원 분야에서의 인공지능 모델 활용성이 높을 것이라 기대된다.

Climate change increases the frequency and intensity of heavy rainfall events, runoff and evapotranspiration, and expands the range and damage caused by natural hazards. Physical models typically used for water resource management are difficult to construct and, depending on the user. To remedy these problems, in this study, flood runoff was simulated at the Ohsipcheon River in Samcheok. In order to simulate the flood runoff, hourly observed runoff from the Ohsipcheon Bridge in Samcheok and rainfall data from five meteorological stations (Taebaek, Dogye, Singi, Samcheok, and Donghae) were collected. In order to propose an AI model that can reflect the observed runoff, we applied a lag time of 9, 8, and 6 hours to train the LSTM model at Taebaek, Dogye, and Singi stations, respectively. As a result, the NPEs for July 2011, July 2012 and August 2020 were 0.03, 0.2 and 0.2, respectively, and the simulated peak flow and arrival time were similar to the observed data, which is expected to play an important role in AI modeling in the field of water resources.

사물인터넷(IoT) 기술은 최근 의료사물인터넷(IoMT)으로 정의된 대량의 의료 데이터를 처리하여 발전을 위해 개발된 의료분야에서 많이 활용되고 있다. 수집된 광범위한 의료 데이터는 수집된 의료 데이터를 처리하기 위해 구조화된 방식으로 클라우드에 저장된다. 그러나 방대한 양의 의료 데이터를 효과적으로 처리하는 것은 쉽지 않기 때문에 의료분야 구조 데이터를 개발하는 것이 필요하다. 본 논문에서는 IoMT에서 수집된 구조화된 건강 관리 데이터를 처리하기 위한 기계 학습 모드를 개발 하였다. 광범위한 의료 데이터를 처리하기 위해 본 논문에서는 의료 데이터 처리를 위한 MTGPLSTM 모델을 제안하였다. 제안 된 모델은 의료 정보 처리를 위한 선형 회귀 모델을 통합한다. 개발된 모델 이상치 모델은 IoMT에서 수집된 COVID-19 의료 데이터들의 평가 및 예측을 위해 FinTech 모델을 기반으로 구현되었다. 제안된 MTGPLSTM 모델은 감염 확산 방지를 위한 계획 계획을 예측하고 평가하기 위한 회귀 모델로 구성된다. 개발된 모델 성능은 LR, SVR, RFR, LSTM 및 제안된 MTGPLSTM 모델과 같은 서로 다른 분류기를 고려하였으며 1GB, 2GB, 3GB 등 데이터 크기가 다르다는 점도 주요하게 고려되었다. 제안된 MTGPLSTM 모델이 전 세계 데이터에 대해 최대 4% 감소된 MAPE 및 RMSE 값을 달성하였고 중국의 경우 기존 분류기보다 최대 6% 최소인 최소 MAPE(0.97)이 달성되었다.

To adopt the development in the medical scenario IoT developed towards the advancement with the processing of a large amount of medical data defined as an Internet of Medical Things (IoMT). The vast range of collected medical data is stored in the cloud in the structured manner to process the collected healthcare data. However, it is difficult to handle the huge volume of the healthcare data so it is necessary to develop an appropriate scheme for the healthcare structured data. In this paper, a machine learning mode for processing the structured heath care data collected from the IoMT is suggested. To process the vast range of healthcare data, this paper proposed an MTGPLSTM model for the processing of the medical data. The proposed model integrates the linear regression model for the processing of healthcare information. With the developed model outlier model is implemented based on the FinTech model for the evaluation and prediction of the COVID-19 healthcare dataset collected from the IoMT. The proposed MTGPLSTM model comprises of the regression model to predict and evaluate the planning scheme for the prevention of the infection spreading. The developed model performance is evaluated based on the consideration of the different classifiers such as LR, SVR, RFR, LSTM and the proposed MTGPLSTM model and the different size of data as 1GB, 2GB and 3GB is mainly concerned. The comparative analysis expressed that the proposed MTGPLSTM model achieves ~4% reduced MAPE and RMSE value for the worldwide data; in case of china minimal MAPE value of 0.97 is achieved which is ~ 6% minimal than the existing classifier leads.

다가오는 지능정보사회의 핵심이 될 인공지능(AI) 교육의 필요성이 대두되면서, 국가적 차원에서도 교육과정 에 인공지능 관련 내용을 포함하는 등 관심을 집중시키고 있다. 본 연구에서는 지도학습 중심의 머신러닝을 통 해 생활 속 문제를 해결하는 과정에서 학생들의 창의적 문제해결력을 신장시키기 위해 PASPA 교육 프로그램을 제시하였으며, 학습의 효과를 높이기 위해 피지컬 컴퓨팅 도구인 마이크로비트(Micro:bit)를 활용하였다. PASPA 교육 프로그램에 적용된 교수 학습 과정은 문제 인식(Problem Recoginition), 해결 방법 논의(Argument), 데이터 기준 세우기(Setting data standard), 프로그래밍(Programming), 적용 및 평가(Application and evaluation)의 5단 계로 이루어진다. 본 교육 프로그램을 학생들에게 적용한 결과 창의적 문제해결력의 향상을 확인할 수 있었으며, 세부 영역에서는 특정 영역의 지식·사고, 비판적·논리적 사고 영역에서 유의한 차이를 보임이 확인되었다.

As the need for artificial intelligence (AI) education, which will become the core of the upcoming intelligent information society rises, the national level is also focusing attention by including artificial intelligence-related content in the curriculum. In this study, the PASPA education program was presented to enhance students' creative problem-solving ability in the process of solving problems in daily life through supervised machine learning. And Micro:bit, a physical computing tool, was used to enhance the learning effect. The teaching and learning process applied to the PASPA education program consists of five steps: Problem Recoginition, Argument, Setting data standard, Programming, Application and evaluation. As a result of applying this educational program to students, it was confirmed that the creative problem-solving ability improved, and it was confirmed that there was a significant difference in knowledge and thinking in specific areas and critical and logical thinking in detailed areas.

다중운집 지역에서 인파 과밀로 인한 사고를 방지하기 위해서는 실시간으로 인파 밀집도를 예측하고 위치를 추적하 는 기술이 매우 중요하다. 본 논문에서는 실내 환경에서 수집되는 다양한 센싱 정보를 기반으로 실내 인파의 밀집도 및 위치를 추적하고, 이를 모니터링 하는 시스템을 제안한다. 제안하는 시스템은 무선 WiFi 신호 세기 및 카메라 영상을 입력으로, 핑거프린트 위치 추정 및 객체 탐지 기법을 적용하여 실시간 사용자 위치를 예측한다. 또한, 구역 별 밀집도를 계산하기 위해 모니터링 대상 공간을 일정 크기의 구역으로 나눈 뒤 각 구역에 체류하는 예측 된 인파 의 수를 카운트한다. 본 연구는 웹 기반의 통합 모니터링 플랫폼을 제안하며, 이를 통해 구역별 밀집도 및 실시간 인파 위치의 통합 모니터링이 가능하다. 제안하는 시스템의 효용성을 검증하기 위해 실 환경에서 테스트 및 검증을 수행했다. 실험 결과, 제안하는 시스템은 실시간 사용자 위치를 정확하게 예측할 수 있으며, 실내 과밀 상황 발생 시 신속하게 탐지 및 모니터링을 수행하고 해당 사용자에게 통지할 수 있음을 확인했다.

In order to prevent accidents due to overcrowding on mass gatherings, it is crucial to predict and track crowd density in real-time. This paper proposes a system for tracking and monitoring indoor crowd density and their locations based on diverse sensing information collected in indoor environments. The proposed system leverages wireless WiFi signal strength and camera images as input, applying fingerprint location estimation and object detection techniques to predict real-time user locations. The monitored space is divided into predefined-size zones, and the predicted crowd count in each zone is used to calculate the density. A web-based integrated monitoring platform is developed to integrate monitoring of zone-specific density and real-time crowd location estimation. To validate the effectiveness of the proposed system, empirical tests and verifications were conducted in a real environment. The experimental results confirm that the proposed system can accurately predict real-time user locations, promptly detect and monitor overcrowding situations indoors, and notify the relevant users when necessary.

본 연구에서 탄도 미사일(로켓)과 드론을 분류하는 문제에 대해서 다루었다. 효율적인 방공작전을 위하여 미사일과 드론에 따라서 조치해야하는 상황이 다르기 때문에 미사일과 드론을 분류하는 문제는 중요하다. 우리는 머신러닝 모델 중에 서포트 벡터 모델을 이용하여 각 비행 특성을 고려하여 미사일 또는 드론의 분류 방법을 제안하였다. 미사일과 드론 데이터를 수집하 기 위해서 오픈 미사일 시뮬레이터실험과 실제 드론 비행을 실시하여 직접 데이터를 구축하였다. 실험결과는 서포트벡터 머신 을 통해서 미사일과 드론에 대하여 100% 정확도로 분류 가능한 것을 볼 수가 있었다.

This study addresses the problem of classifying ballistic missiles (rockets) and drones. The classification of missiles an d drones is important because different actions need to be taken for effective air defense operations depending on whether the object is a missile or a drone. We propose a method for classifying missiles and drones by considering their flight cha racteristics using a support vector machine (SVM) model. To collect missile and drone data, we constructed a dataset thro ugh open missile simulator experiments and actual drone flights. The experimental results show that the support vector m achine can classify missiles and drones with 100% accuracy.

인공지능은 우리의 일상 생활과 정치, 경제, 문화 등의 모든 분야에서 폭넓게 변화를 이끌고 있으며, 현재를 살 아가는 사람들뿐만 아니라, 미래를 살아갈 학생들에게 기본적인 소양으로서 인공지능 교육이 중요해지고 있다. 본 연구는 고등학생을 위한 인공지능 머신러닝 교육 프로그램을 개발하고, AI 리터러시에 미치는 영향을 검증하는데 목적이 있다. 이를 위해 프로그램을 설계하여 개발하고, 고등학교 1, 2학년 학생 33명을 대상으로 9차시 교육에 적 용하였다. 교육 프로그램은 인공지능의 이해, 인공지능 윤리, 머신러닝의 이해, 머신러닝 활용으로 구성 하였으며, 프로그램 적용 후, 대응 표본 t-test를 통해 결과를 분석하였고, 통계적으로 유의미한 차이가 있음을 알 수 있었다. 검사 도구로 측정한 결과, 인공지능 사회적 영향, 인공지능 문제 해결, 인공지능의 이해, 인공지능 윤리, 인공지능 실행 계획, 데이터 리터러시, 6가지의 모든 하위 요소에서 평균 점수가 향상된 것으로 나타났다. 즉, 인공지능 머신 러닝 교육 프로그램은 AI 리터러시 향상에 효과적임을 확인할 수 있었다.

Artificial Intelligence is leading broad changes in our daily lives and across various fileds such as politics, economy, and culture. It is becoming increasingly important not only for people living in the present but also for students who will shape the future to have basic knowledge of AI as part of their education. This study aims to develop an AI machine learning education program for high school students and verify its effect on AI literacy. To achieve this, a program was designed, developed, and implemented in a 9-hour course for 33 high school students in grades 1 and 2. The educational program was structured to cover understanding AI, AI ethics, understanding and utilizing machine learning. After the program was implemented, the results were analyzed through paired sample t-tests, revealing statistically significant differences. The results measured by the assessment tools indicated an improvement in average scores across all six sub-elements: social impact of AI, problem-solving with AI, understanding of AI, AI ethics, AI implementation planning, and data literacy. In conclusion, the AI machine learning education program was found to be effective in enhancing AI literacy.

수산업은 소득 증가와 경제 성장으로 인해 건강식품 및 편의식품에 대한 소비자 선호도가 증가하면서 큰 성장을 이루었다. 최근 머신러닝 등 첨단 기술의 도입 은 수산업 분야의 주요 혁신 동력으로 자리 잡고 있다. 본 연구는 노르웨이 양식 연어의 가격을 예측하기 위해 머신러닝 알고리즘을 활용하여 가격에 영향을 미치 는 국가 및 국제 지표를 분석하였다. 연구에서는 선형 회귀(Linear Regression), 의사결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost 등의 알고리즘을 적용하여 수산물 가격과 다양한 경제 지표 간의 관계를 모델링하였다. 데이터 품질을 높이기 위해 결측치 처리, 이상치 제거, 정규화 등의 전처리 과정 을 수행하였으며, 분산팽창인수(VIF)를 계산하여 다중공선성 문제가 있는 변수를 제거하였다. 예측 결과, 향상된 의사결정 트리(XGBoost) 알고리즘은 ±3 NOK의 오차 범위 내에서 높은 예측 정확도(R2= .90)를 보여, 수산물 시장에서 가격 예측에 적합한 모델임을 확인하였다. 본 연구는 전통적인 통계 모델의 한계를 극복하고 데이터 기반 접근법을 통해 가격 예측의 정확성을 높이는 데 기여하였다. 이를 통해 수산물 유통 시장의 정보 비대칭 문제를 완화하고, 유통업체 및 정책 입안자에 게 유용한 정보를 제공함으로써 의사결정을 지원할 수 있다. 또한, 이러한 접근법은 유통 네트워크 최적화와 시장 가격 안정성 강화에도 기여할 가능성을 보여준다.

The seafood industry has experienced significant growth due to rising incomes and economic development, leading to increased consumer preferences for healthy and convenient foods. Recently, the adoption of advanced technologies, including machine learning, has emerged as a key driver of innovation in the seafood sector. This study aims to forecast the price of Norwegian farmed salmon by utilizing machine learning algorithms to analyze national and international indicators influencing price dynamics. The research employed algorithms such as Linear Regression, Decision Tree, Random Forest, and XGBoost to model the relationships between seafood prices and various economic indicators. Data preprocessing techniques, including handling missing values, removing outliers, and normalization, were applied to enhance data quality. Additionally, Variance Inflation Factor (VIF) calculations were performed to eliminate variables causing multicollinearity. The results demonstrated that the enhanced Decision Tree algorithm (XGBoost) achieved high predictive accuracy (R2= .90) with a margin of error within ±3 NOK, confirming its suitability for price prediction in the seafood market. This study contributes to overcoming the limitations of traditional statistical models by adopting a data-driven approach to improve the accuracy of price predictions. It addresses information asymmetry in the seafood distribution market and provides valuable insights to distributors and policymakers, supporting informed decision-making. Furthermore, this approach shows potential for optimizing distribution networks and enhancing market price stability.

본 연구에서는 재범위험성 평가 도구와 관련한 국내 현황과 한계점에 대하여 설명 하고 이를 위한 새로운 통계적 접근 방법을 제시하고자 하였다. 현재 미국에서 활발한 연구가 이루어지고 있는 머신 러닝 기법인 의사결정 나무(decision tree) 분석과 랜덤 포레스트 기법을 도입하여 한국 성범죄자 위험성 평가척도인 K-SORAS의 개정판을 이 용하여 수집한 데이터 샘플에서 성범죄 재범을 일으키는 가장 큰 위험요인을 확인하였다. 그 결과 KSORAS의 문항 중 8번 문항인 ‘감독 기간 내 문제 행동’이 재범과 가장 관련이 큰 것을 확인할 수 있었다. 이를 통해 한국의 재범위험성 평가가 가진 한계점을 보완하는 방법을 고찰해 보았다. 이와 같이 재범위험성 평가에 머신 러닝 기법을 함께 활용하여 분석하는 연구들은 현재 국내에서는 아직 그 흔적을 찾기가 어려운 상황이다. 따라서 본 연구가 그 발판이 되어 머신 러닝 기법 등을 재범위험성 평가 등에 적용하여 분석해보는 활발한 추가 연구가 이루어지게 되기를 바란다.

The purpose of this study is to identify recidivism risk factors of KSORAS (Korean Sex Offender Risk Assessment Scale) by using machine learning method, especially decision tree analysis and random forest algorithm which are currently being studied actively in the US. Also the limitation of existing risk assessments is explained. By using revised version of KSORAS data of the offenders who are under electronic monitoring, it was feasible to figure out the most related factors among 55 other factors to recidivism. The most affective factor to recidivism was the item number 8 which is problematic behavior while supervision period. This statistical approach is expected to be a latest way of making up for any weak points of existing risk assessments.