 |
모델을 개발했습니다. 의료 영상 데이터 전처리부터 모델 학습과 평가까지 전 과정을 직접 수행하며 실무 역량을 기를 수 있었습니다. 이 프로젝트를 통해 대규모 데이터 처리와 딥러닝 모델 구축, 성능 최적화 등의 기술을 익힐 수 있었습니
|
|
 |
모델을 적용하여 분석을 수행하고, 모델의 성능을 평가하는 방식으로 연구를 진행하고자 하는 바입니다.
그리하야 좀 더 장기적 플랜으로는 이러한 비정형 데이터 기반 예측 모델이 실제 마케팅 전략 수립, 고객 맞춤형 서비스 설계, 브랜드
|
|
 |
- 대상자 유형별 표준 개입모델 개발
- 긴급 위기 상황 대응 매뉴얼 수립 및 훈련
- 협력기관 실무자 대상 실무교육 실시
- 고위험 사례군 시범 개입 및 피드백 수집
3) 3단계 : 통합적 개입 시스템 확대 및 평가
- 표준모델 지역 전반 확대 적용
-
|
|
 |
모델을 학습시키고 있으며, 유한요소해석(FEA) 결과와 비교하여 모델의 신뢰성을 평가하고 있습니다. 이 연구를 통해 AI 기반 예측 모델의 가능성을 확인하고 있으며, 대학원에서도 이를 확장하여 연구를 진행하고 싶습니다.
18. 연구 수행 중
|
|
 |
을 활용하여 모델의 성능을 평가하고, 필요시 하드웨어 실험도 병행할 예정입니다.
대학원 석사 과정 동안 다음과 같은 구체적 목표를 설정하고 있습니다.
- 국내외 학술대회(ICASSP, ICC, GLOBECOM 등) 발표
- SCI(E)급 국제 저널 논문 게재
- 연구 결
|
|
 |
있습니다.
이를 극복하기 위해 체계적인 학습과 실험을 통해 문제를 단계적으로 해결할 것입니다. 예를 들어, 교차 검증(Cross-validation)을 통해 모델의 성능을 안정적으로 평가하고, 하이퍼파라미터 튜닝을 통해 모델을 최적화하는 방식으로 접
|
|
 |
모델 구현, 성능 평가를 담당했습니다. 데이터를 정제하고 시계열 분석을 위한 입력 시퀀스를 생성했으며, LSTM 모델을 설계하고 학습을 진행했습니다. 성능 개선을 위해 하이퍼파라미터 튜닝과 평가 지표 분석에 주력했습니다. 팀원들과 긴밀
|
|
 |
인체 적용 가능성을 평가하기 위한 연구 수행
- In-vitro 모델을 활용한 기능성 평가
3. 식품 가공 및 품질 분석
- Texture Analyzer, DSC (Differential Scanning Calorimetry): 식품의 물리적 특성 분석
- Sensory Evaluation: 관능 평가를 통한 소비자 수용성 분석
|
|
 |
coder, Isolation Forest)을 적용하여, 기존의 지도학습 모델보다 적은 이상 데이터로도 효과적인 탐지가 가능하도록 개선하였습니다.
3. 모델의 성능을 정량적으로 평가하기 위해 Precision-Recall Curve 및 ROC Curve를 활용하여 모델의 이상 탐지 성능을
|
|
 |
싶습니다. 특히, 산업 현장에서의 데이터 흐름을 이해하고, 데이터를 어떻게 수집하고 가공하여 AI 모델에 적용하는지에 대해 깊이 배우고 싶습니다. 이를 통해 데이터 전처리부터 모델 학습, 평가, 배포까지의 전 과정에 대한 실질적인 경험
|
|
메뉴펼치기
