생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
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
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요