본문바로가기

자료 카테고리

소장자료소장자료 공공정책정보공공정책정보 외부기관 자료외부기관 자료
전체 1
도서자료 1
학위논문 0
연속간행물·학술기사 0
멀티미디어 0
동영상 0
국회자료 0
특화자료 0

도서 앰블럼

전체 (1)
일반도서 (1)
E-BOOK (0)
고서 (0)
세미나자료 (0)
웹자료 (0)
전체 (0)
학위논문 (0)
전체 (0)
국내기사 (0)
국외기사 (0)
학술지·잡지 (0)
신문 (0)
전자저널 (0)
전체 (0)
오디오자료 (0)
전자매체 (0)
마이크로폼자료 (0)
지도/기타자료 (0)
전체 (0)
동영상자료 (0)
전체 (0)
외국법률번역DB (0)
국회회의록 (0)
국회의안정보 (0)
전체 (0)
표·그림DB (0)
지식공유 (0)

도서 앰블럼

전체 1
국내공공정책정보
국외공공정책정보
국회자료
전체 ()
정부기관 ()
지방자치단체 ()
공공기관 ()
싱크탱크 ()
국제기구 ()
전체 ()
정부기관 ()
의회기관 ()
싱크탱크 ()
국제기구 ()
전체 ()
국회의원정책자료 ()
입법기관자료 ()

검색결과

검색결과 (전체 1건)

검색결과제한

열기
내서재담기 야간이용신청목록담기(서울관) 한자 한글변환 목록으로 알림톡 발송 우편복사 목록담기 프린트
이 자료 추천하기 오류신고
MARC
자료명/저자사항
머신러닝을 활용한 경영의사결정 지원방안 연구 / 농촌진흥청 인기도
발행사항
[수원] : 농촌진흥청, 2005
청구기호
전자형태로만 열람가능함
자료실
해당자료 없음
형태사항
156 p. : 도표 ; 26 cm
제어번호
MONO1200611945
주기사항
완결보고서
주관연구기관: 서울대학교
연구책임자: 최영찬
원문
미리보기
미리보기 이미지 1번째
미리보기 이미지 2번째
미리보기 이미지 3번째
미리보기 이미지 4번째
미리보기 이미지 5번째

목차보기더보기

목차

[표제지]=0,1,1

제출문=1,2,2

목차=3,4,6

표목차=9,10,2

그림목차=11,12,2

Abstract=13,14,2

I. 서언=15,16,1

1. 연구의 필요성 및 목적=15,16,2

2. 연구의 내용과 범위=16,17,1

가. 사용자요구분석=16,17,1

나. 머신러닝 기법을 이용한 사례분석=16,17,1

다. 머신러닝 참조모형 도출=16,17,1

3. 연구의 추진체계=17,18,1

II. 연구사=18,19,1

1. 머신러닝=18,19,1

가. 개요=18,19,1

나. 머신러닝과 관련된 개념=19,20,1

(1) 머신러닝과 데이터 웨어하우스=19,20,1

(2) 머신러닝과 데이터마이닝=19,20,2

(3) 머신러닝과 통계학=20,21,1

다. 대표적 머신러닝 기법 소개=21,22,1

(1) 인공신경망=21,22,2

(2) 사례기반추론=22,23,2

(3) 의사결정나무=23,24,2

(가) 나무의 생성=24,25,1

(나) 최적분리 결정=24,25,1

(다) 종료규칙=24,25,2

(4) 연관규칙=25,26,1

(5) 유전적 알고리즘=26,27,1

(6) 앙상블 모형=27,28,1

라. 머신러닝 기법의 특징=28,29,2

마. 머신러닝기법을 활용한 지식발견 방법론=29,30,1

(1) The SEMMA Analysis Cycle=29,30,2

(2) The 5 A'S PROCESS=31,32,1

(3) CRISP-DM=32,33,2

2. 농업경영에서의 머신러닝 활용=34,35,1

가. McQueen et al.(1995) 연구=34,35,2

나. Scott Mitchell et al.(1996) 연구=35,36,2

다. Pietersma et al.(2003)의 연구=36,37,1

라. Kirchner et al.(2004a)의 연구=36,37,2

마. Kirchner et al.(2004b)의 연구=37,38,1

III. 연구방법=38,39,1

1. 사용자요구분석=39,40,1

2. 머신러닝기법 적용 사례 연구=39,40,1

가. 연구대상=39,40,2

나. 머신러닝 분석 모형 선정=40,41,2

다. 모형평가 방법=41,42,1

(1) Fit=41,42,2

(2) Performance=42,43,2

라. 모돈도태 실험설계=44,45,1

(1) 변인 선정=44,45,1

(가) 목표변인=44,45,1

(나) 투입변인=44,45,2

(2) 자료의 전처리=46,47,1

(3) 로짓모형 설정=46,47,1

(4) 의사결정나무 설정=46,47,1

(가) 분리기준=46,47,2

(나) 종료규칙=47,48,1

(다) 가지치기=47,48,2

(5) 인공신경망 설정=48,49,1

(6) kNN 설정=48,49,1

(7) 앙상블모형 설정=49,50,1

마. 임신사고 예측 실험설계=49,50,1

(1) 변인 선정=49,50,1

(가) 목표변인=50,51,1

(나) 투입변인=50,51,1

바. 총산 예측 실험설계=51,52,1

(1) 변인 선정=51,52,1

(가) 목표변인=51,52,1

(나) 투입변인=52,53,1

IV. 연구결과=53,54,1

1. 요구분석 결과=53,54,1

가. Pigplan 요구사항=53,54,2

나. 머신러닝기법 적용의 성공기준=54,55,2

다. 요구분석 함의=55,56,2

2. 머신러닝 분석=57,58,1

가. 모돈도태 예측=57,58,1

(1) 정확도=57,58,2

(2) Performance=58,59,1

(가) 3산차 모돈=58,59,4

(나) 4산차 모돈=61,62,4

(다) 5산차 모돈=64,65,4

(라) 6산차 모돈=67,68,4

(마) 7산차 모돈=70,71,4

(바) 산차별 모돈도태 예측 요약=73,74,1

나. 모돈도태 전략=74,75,1

(1) 산차별 모돈 도태 전략=74,75,1

(가) 3산차 모돈=74,75,2

(나) 4산차 모돈=76,77,2

(다) 5산차 모돈=77,78,2

(라) 6산차 모돈=79,80,2

(마) 7산차 모돈=80,81,3

(바) 산차별 모돈 도태 의사결정 전략 요약=82,83,2

(2) 규모별 모돈 도태 전략=84,85,1

(가) 3산차 모돈(300두 이하)=84,85,2

(나) 3산차 모돈(300두 이상)=85,86,2

(다) 5산차 모돈(300두 이하)=86,87,2

(라) 5산차 모돈(300두 이상)=87,88,2

(마) 규모별 모돈 도태의사결정 전략 요약=89,90,1

(3) 기록우수/열위 농가별 도태 전략=90,91,1

(가) 3산차 모돈(기록우수 농가)=90,91,3

(나) 3산차 모돈(기록열위 농가)=92,93,2

(다) 5산차 모돈(기록우수 농가)=93,94,2

(라) 5산차 모돈(기록열위 농가)=94,95,2

(마) 규모별 모돈 도태의사결정 전략 요약=95,96,2

다. 모돈 도태 의사결정에서의 머신러닝기법 활용 효과=96,97,4

라. 임신사고 예측=100,101,1

(1) 정확도=100,101,2

(2) Performance=101,102,1

(가) 3산차 모돈=101,102,2

(나) 4산차 모돈=103,104,2

(다) 5산차 모돈=104,105,2

(라) 6산차 모돈=106,107,2

(마) 7산차 모돈=107,108,2

(바) 산차별 임신사고 예측 요약=108,109,2

마. 총산 예측=110,111,1

(1) 정확도=110,111,1

(2) Performance=111,112,1

(가) 3산차 모돈=111,112,2

(나) 4산차 모돈=112,113,2

(다) 5산차 모돈=113,114,3

(라) 6산차 모돈=115,116,2

(마) 7산차 모돈=116,117,2

(바) 산차별 총산 예측 요약=118,119,1

3. 경영의사결정 지원을 위한 머신러닝 참조모형=119,120,1

가. 본 연구에서 사용한 머신러닝 분석 과정=119,120,2

나. 분석사례 모형의 일반화=121,122,1

(1) 데이터 추출=121,122,1

(2) 전처리=122,123,1

(3) 데이터 탐색=122,123,1

(4) 변인선택/데이터변환=123,124,1

(5) 머신러닝 모형 설정=123,124,1

(6) 모형평가=123,124,1

(7) 모형수정=124,125,1

다. 분석사례 모형의 확장=124,125,2

V. 결론 및 요약=126,127,1

1. 요약=126,127,3

2. 제언=128,129,1

가. 사용자 요구분석 결과=128,129,2

나. 머신러닝 활용 사례 분석 결과=130,131,1

Vl. 참고문헌=131,132,4

(부록 A) CRISP-DM=135,136,1

1. Business Understanding(비즈니스이해)=135,136,3

2. Data Understanding(데이터의 이해)=137,138,2

3. Data Preparation(데이터의 준비)=138,139,2

4. Modeling(모델링)=139,140,4

5. Evaluation(평가)=142,143,2

6. Deployment(적용)=143,144,2

(부록 B) Journal List=145,146,1

1. 일반분야 저널=145,146,1

2. 농업분야 저널=146,147,1

3. Conferences=146,147,1

(부록 C) Journal 소개=147,148,1

1. Pigplan 개요=147,148,1

2. Pigplan 개발 역사=147,148,1

3. Pigplan의 특징=147,148,1

가. 기능흐름도=147,148,1

나. Pigpland의 특징=148,149,1

4. Pigplan의 메뉴구성=149,150,3

5. 주요 보고서 설명=152,153,2

6. Pigplan 화면 예시=154,155,1

가. 입력화면=154,155,1

나. 출력화면=155,156,1

(부록 D) 머신러닝 툴 벤더 및 제품=156,157,1

(표1) 머신러닝 기법 비교=29,30,1

(표2) CRISP-DM 각 단계 개요=33,34,1

(표3) 도태예측 변인 설명=45,46,1

(표4) 임신사고 예측 변인 설명=50,51,1

(표5) 총산 예측 변인 설명=52,53,1

(표6) 산차별 도태율=57,58,1

(표7) 모형별 도태예측 정확도=58,59,1

(표8) 3산차 모돈의 도태 예측 누적응답률 비교=59,60,1

(표9) 3산차 모돈의 도태 예측 리프트값 비교=60,61,1

(표10) 3산차 모돈의 도태 예측 누적 획득 응답률 비교=61,62,1

(표11) 4산차 모돈의 도태 예측 누적응답률 비교=62,63,1

(표12) 4산차 모돈의 도태 예측 리프트값 비교=63,64,1

(표13) 4산차 모돈의 도태 예측 누적 획득 응답률 비교=64,65,1

(표14) 5산차 모돈의 도태 예측 누적응답률 비교=65,66,1

(표15) 5산차 모돈의 도태 예측 리프트값 비교=66,67,1

(표16) 5산차 모돈의 도태 예측 누적응답률 비교=67,68,1

(표17) 6산차 모돈의 도태 예측 누적응답률 비교=68,69,1

(표18) 6산차 모돈의 도태 예측 리프트값 비교=69,70,1

(표19) 6산차 모돈의 도태 예측 누적 획득 응답률 비교=70,71,1

(표20) 7산차 모돈의 도태 예측 누적응답률 비교=71,72,1

(표21) 7산차 모돈의 도태 예측 리프트값 비교=72,73,1

(표22) 7산차 모돈의 도태 예측 누적 획득 응답률 비교=73,74,1

(표23) 규모별 도태율=84,85,1

(표24) 기록 우수ㆍ열위농가별 도태율=90,91,1

(표25) 4산차 모돈의 도태 누적응답률=96,97,1

(표26) 4산차 모돈의 미도태 누적응답률=97,98,1

(표27) ML모형에 의한 도태결정 효과=99,100,1

(표28) 산차별 임신사고율=100,101,1

(표29) 모형별 임신사고율 정확도=100,101,1

(표30) 3산차 모돈의 임신사고율 예측 리프트값 비교=102,103,1

(표31) 4산차 모돈의 임신사고율 예측 리프트값 비교=103,104,1

(표32) 5산차 모돈의 임신사고율 예측 리프트값 비교=105,106,1

(표33) 6산차 모돈의 임신사고율 예측 리프트값 비교=106,107,1

(표34) 7산차 모돈의 임신사고율 예측 리프트값 비교=108,109,1

(표35) 산차별 총산 7두 이하 비율=110,111,1

(표36) 모형별 총산 7두 이하 예측 정확도=110,111,1

(표37) 3산차 모돈의 총산 7두 이하 예측 리프트값 비교=111,112,1

(표38) 4산차 모돈의 총산 7두 이하 예측 리프트값 비교=113,114,1

(표39) 5산차 모돈의 총산 7두 이하 예측 리프트값 비교=114,115,1

(표40) 6산차 모돈의 총산 7두 이하 예측 리프트값 비교=116,117,1

(표41) 7산차 모돈의 총산 7두 이하 예측 리프트값 비교=117,118,1

(표42) 본 연구의 ML 분석과정=119,120,1

(표43) 머신러닝 툴 제공 벤더 및 제품=156,157,1

(그림1/2) 연구 추진 체계=17,18,1

(그림2/3) 인공신경망의 구조=21,22,1

(그림3/4) SEMMA 분석 구조=30,31,1

(그림4/5) SPSS의 5A'S PROCESS=31,32,1

(그림5/6) CRISP-DM 과정=32,33,1

(그림6/7) McQueen et al.(1995) 연구의 설정모형과 변인=35,36,1

(그림7/8) Scott Mitchell et al.(1996) 연구의 설정모형과 변인=35,36,1

(그림8/9) Pietersma et al.(2003) 연구의 설정모형과 변인=36,37,1

(그림9/10) Kirchner et al.(2004a) 연구의 설정모형과 변인=37,38,1

(그림10/11) 연구 과정=38,39,1

(그림11/12) 모돈도태 예측 모형=44,45,1

(그림12/13) 임신사고 예측 모형=49,50,1

(그림13/14) 총산 예측 모형=51,52,1

(그림14/15) 3산차 모돈의 도태 예측 누적응답률 비교=59,60,1

(그림15/16) 산차 모돈의 도태 예측 누적응답률 비교=62,63,1

(그림16/17) 5산차 모돈의 도태 예측 누적응답률 비교=65,66,1

(그림17/18) 6산차 모돈의 도태 예측 누적응답률 비교=68,69,1

(그림18/19) 7산차 모돈의 도태 예측 누적응답률 비교=71,72,1

(그림19/20) 3산차 모돈의 도태 의사결정나무=75,76,1

(그림20/21) 4산차 모돈의 도태 의사결정나무=76,77,1

(그림21/22) 5산차 모돈의 도태 의사결정나무=78,79,1

(그림22/23) 6산차 모돈의 도태 의사결정나무=80,81,1

(그림23/24) 7산차 모돈의 도태 의사결정나무=81,82,1

(그림24/25) 300두 이하 3산차 모돈의 도태 의사결정나무=85,86,1

(그림25/26) 300두 이상 3산차 모돈의 도태 의사결정나무=86,87,1

(그림26/27) 300두 이하 5산차 모돈의 도태 의사결정나무=87,88,1

(그림27/28) 300두 이상 5산차 모돈의 도태 의사결정나무=88,89,1

(그림28/29) 기록우수 농가의 3산차 모돈 도태의사결정나무=91,92,1

(그림29/30) 기록열위 농가 3산차 모돈 도태의사결정나무=92,93,1

(그림30/31) 기록우수 농가의 5산차 모돈 도태의사결정나무=93,94,1

(그림31/32) 기록열위 농가 5산차 모돈 도태의사결정나무=95,96,1

(그림32/33) 4산차 도태의사결정 규칙=97,98,1

(그림33/34) 6산차 도태의사결정 규칙=98,99,1

(그림34/35) ML 기법 활용 효과 파악 방법=98,99,1

(그림35/36) 3산차 모돈의 임신사고율 예측 리프트값 비교=102,103,1

(그림36/37) 4산차 모돈의 임신사고율 예측 리프트값 비교=104,105,1

(그림37/38) 5산차 모돈의 임신사고율 예측 리프트값 비교=105,106,1

(그림38/39) 6산차 모돈의 임신사고율 예측 리프트값 비교=107,108,1

(그림39/40) 7산차 모돈의 임신사고율 예측 리프트값 비교=108,109,1

(그림40/41) 3산차 모돈의 총산 7두 이하 예측 리프트값 비교=112,113,1

(그림41/42) 4산차 모돈의 총산 7두 이하 예측 리프트값 비교=113,114,1

(그림42/43) 5산차 모돈의 총산 7두 이하 예측 리프트값 비교=115,116,1

(그림43/44) 6산차 모돈의 총산 7두 이하 예측 리프트값 비교=116,117,1

(그림44/45) 7산차 모돈의 총산 7두 이하 예측 리프트값 비교=117,118,1

(그림45/46) 분석사례를 일반화한 머신러닝 활용 과정=121,122,1

(그림46/47) 조합차원의 머신러닝 활용 시스템=125,126,1

(그림47/48) CRISP-DM 데이터마이닝 과정 방법론=135,136,1

(그림48/49) 모델구축을 위한 데이터셋의 준비=140,141,1

(그림49/50) 모형구축 과정=140,141,1

(그림50/51) 응답률 차트의 사례=142,143,1

(그림51/52) Pigplan 2004의 메뉴 체계=149,150,1

내서재담기 야간이용신청목록담기(서울관) 한자 한글변환 목록으로 알림톡 발송 우편복사 목록담기 프린트

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차
연속간행물 팝업 열기 연속간행물 팝업 열기