본 연구에서는 2 016년부터 2 02 0년까지 내륙 관측소 중 안개 최다발 지역인 안동을 대상으로 XGBoost-DART 머신러닝 알고리즘을 이용하여 1 시간 후 안개 유무를 예측하였다. 기상자료, 농업관측자료, 추가 파생자료와 각 자료 를 오버 샘플링한 확장자료, 총 6개의 데이터 세트를 사용하였다. 목측으로 획득한 기상현상번호와 시정계 관측으로 측 정된 시정거리 자료를 각각 안개 유[1]무[0]로 이진 범주화하였다. 총 12개의 머신러닝 모델링 실험을 설계하였고, 안개 가 사회와 지역사회에 미치는 유해성을 고려하여 모델의 성능은 재현율과 AUC-ROC를 중심으로 평가하였다. 전체적으 로, 오버샘플링한 기상자료와 기상현상번호 기반의 예측 목표를 조합한 실험이 최고 성능을 보였다. 이 연구 결과는 머 신러닝 알고리즘을 활용한 안개 예측에 있어서, 목측으로 획득한 기상현상번호의 중요성을 암시한다.

본 연구는 교수자가 학습자를 위해 긍정적 가치탐색을 효과적으로 적용할 수 있도록 4D 프로세스 기반 학습모형을 개발하고 학습유형을 분류하여 연구하는 것을 목적으로 하였다. 긍정적 가치탐색 교육 방법은 학습자의 사고방식과 행동 변화에 효과적이다. 또한, 의미와 가치발견에 중점을 둔 강점 기반 접근을 통해 학습 참여를 증진하고 지속 가능한 학습 환경과 배움을 실현할 수 있다. 이러한 교육적 효과는 긍정적 가 치 탐색의 4D 프로세스를 토대로 한 활동으로 이루어진다. 교육 현장에서 긍정적 가치탐색 4D 프로세스 를 보다 유용하게 활용하기 위해서는 교육목표와 지향하는 역량개발에 따라 4D 프로세스에 적합한 학습 유형 분류와 체계적이고 구조화된 학습모형 개발이 필요하다. 본 연구는 4D 프로세스 기반 4가지 학습유 형을 구조화하여 학습모형을 개발하고 모형타당화를 진행하였다. 4D 프로세스 기반 학습모형 구성요소 도 출은 선행 문헌의 검토와 분석을 통해 이루어졌고, 구성요소의 구조화는 사례연구를 통해 진행하였다. 그 리고 해당 분야 전문가 검토를 통한 타당성 평가를 3차에 걸쳐 실시하였다. Discover, Dream, Design, Destiny 4D 프로세스는 탐색과 발견, 사고와 상상, 공유와 구성, 발표와 실천으로 개선되어 적용되었다. 학습에 적합하도록 보완된 4D 프로세스는 도달할 학습 목표와 개발할 학습자의 역량에 따라 탐구형, 창의 형, 과제해결형, 실천형으로 세분화하여 개발되었다. 개발된 학습모형에서의 학습유형은 다양한 교육 환경 에 맞게 긍정적 가치탐색 활동이 선택적으로 운영될 수 있다는 이점이 있다.

본 연구의 주요 목적은 회귀기반의 다양한 머신러닝 알고리즘을 개발하고 다양한 농업 분야에서 사용되는 트랙터의 연료 소비량을 예측하는 것이다. 비포장 도로주행 농업 기계중에서도 사용 비중이 가장 높은 트랙터를 선정하였다. 실제 농가에 방문하여 현업 전문가 조언을 바탕으로 연구하여 설문지를 작성하였으며, 설문 대상은 경남 사천시에 있는 농가 10곳, 진주시에 있는 농가 62곳 등, 총 72곳의 농가이다. 농작업으로는 벼농사, 보리농사, 밭농사 등이 있으며, 작업내용으로는 쟁기, 로터리, 비료살포, 베토, 모내기작업 등이 있다. 다중 회귀분석을 통해 연료 소비량 예측에 영향을 미치는 변수(마력, 기계사용연수, 경작면적, 작업 시간)를 추출하였고. 머신러닝 회귀 학습기 모형으로 학습하여 예측 모형의 성능을 검증하였다. 연료 소비량을 예측하는 모델의 성능은 결정 계수(R), RMSE (제곱 평균 제곱근 오차), MSE (평균 제곱 오차) 및 MAE (평균 절대 오차)를 포함한 4가지 통계적 품질 매개변수를 사용하여 결정되었다. 연구 결과 4가지 모델(다중회귀, 랜덤포레스트, 아다부스트, K-최근접 이웃) 중 K-최근접 이웃의 성능이 제일 높은 것으로 나타났다. 결론적으로 본 연구의 결과는 실제 농가의 연료 소비량을 예측하여 면세유 유통의 투명성을 확보하고 추후 개발 모델의 의사결정에 활용될 수 있을 것으로 기대된다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

The management of algal bloom is essential for the proper management of water supply systems and to maintain the safety of drinking water. Chlorophyll-a(Chl-a) is a commonly used indicator to represent the algal concentration. In recent years, advanced machine learning models have been increasingly used to predict Chl-a in freshwater systems. Machine learning models show good performance in various fields, while the process of model development requires considerable labor and time by experts. Automated machine learning(auto ML) is an emerging field of machine learning study. Auto ML is used to develop machine learning models while minimizing the time and labor required in the model development process. This study developed an auto ML to predict Chl-a using auto sklearn, one of most widely used open source auto ML algorithms. The model performance was compared with other two popular ensemble machine learning models, random forest(RF) and XGBoost(XGB). The model performance was evaluated using three indices, root mean squared error, root mean squared error-observation standard deviation ratio(RSR) and Nash-Sutcliffe coefficient of efficiency. The RSR of auto ML, RF, and XGB were 0.659, 0.684 and 0.638, respectively. The results shows that auto ML outperforms RF, and XGB shows better prediction performance than auto ML, while the differences between model performances were not significant. Shapley value analysis, an explainable machine learning algorithm, was used to provide quantitative interpretation about the model prediction of auto ML developed in this study. The results of this study present the possible applicability of auto ML for the prediction of water quality.

Elevators are the main means of transport in buildings. A malfunction of an elevator in operation may cause in convenience to users. Furthermore, fatal accidents, such as injuries and death, may occur to the passengers also. Therefore, it is important to prevent failure before accidents happen. In related studies, preventive measures are proposed through analyzing failures, and the lifespan of elevator components. However, these methods are limited to existing an elevator model and its surroundings, including operating conditions and installed environments. Vibration occurs when the elevator is operated. Experts have classified types of faults, which are symptoms for malfunctions (failures), via analyzing vibration. This study proposes an artificial intelligent model for classifying faults automatically with deep learning algorithms through elevator vibration data, hereby preventing failures before they occur. In this study, the vibration data of six elevators are collected. The proposed methodology in this paper removes "the measurement error data" with incorrect measurements and extracts operating sections from the input datasets for proceeding deep learning models. As a result of comparing the performance of training five deep learning models, the maximum performance indicates Accuracy 97% and F1 Score 97%, respectively. This paper presents an artificial intelligent model for detecting elevator fault automatically. The users’ safety and convenience may increase by detecting fault prior to the fatal malfunctions. In addition, it is possible to reduce manpower and time by assisting experts who have previously classified faults.

Recently, many studies have been conducted to improve quality by applying machine learning models to semiconductor manufacturing process data. However, in the semiconductor manufacturing process, the ratio of good products is much higher than that of defective products, so the problem of data imbalance is serious in terms of machine learning. In addition, since the number of features of data used in machine learning is very large, it is very important to perform machine learning by extracting only important features from among them to increase accuracy and utilization. This study proposes an anomaly detection methodology that can learn excellently despite data imbalance and high-dimensional characteristics of semiconductor process data. The anomaly detection methodology applies the LIME algorithm after applying the SMOTE method and the RFECV method. The proposed methodology analyzes the classification result of the anomaly classification model, detects the cause of the anomaly, and derives a semiconductor process requiring action. The proposed methodology confirmed applicability and feasibility through application of cases.

The practice turn in the science education community emphasizes students’ engagement in the activities that scientists and engineers actually do when they see, explain, and critique a phenomenon, or solve a problem. This turn highlights the importance of science learning environments for students. Consequently, the purpose of this study was the examination of relevant literature with the aim of proposing theoretically and empirically derived teaching strategies for students’ productive disciplinary engagement (PDE) through model-based learning (MBL) in science classrooms. To this end, collected literature focusing on PDE and MBL was analyzed to better understand 1) how teachers can foster students' PDE in science classrooms, 2) how PDE can be connected to MBL, and 3) what supports are required for students’ PDE through MBL. As a result of our analysis, a close relationship between PDE and MBL was identified. Importantly, this research reveals the promise of MBL for supporting students’ PDE through the problematizing, authority, accountability, and resources. Further, our literature examination provided a better understanding of what supports are required for students’ engagement in PDE through MBL and why this matters in the context of the practice turn in science education.

The prediction of algal bloom is an important field of study in algal bloom management, and chlorophyll-a concentration(Chl-a) is commonly used to represent the status of algal bloom. In, recent years advanced machine learning algorithms are increasingly used for the prediction of algal bloom. In this study, XGBoost(XGB), an ensemble machine learning algorithm, was used to develop a model to predict Chl-a in a reservoir. The daily observation of water quality data and climate data was used for the training and testing of the model. In the first step of the study, the input variables were clustered into two groups(low and high value groups) based on the observed value of water temperature(TEMP), total organic carbon concentration(TOC), total nitrogen concentration(TN) and total phosphorus concentration(TP). For each of the four water quality items, two XGB models were developed using only the data in each clustered group(Model 1). The results were compared to the prediction of an XGB model developed by using the entire data before clustering(Model 2). The model performance was evaluated using three indices including root mean squared error-observation standard deviation ratio(RSR). The model performance was improved using Model 1 for TEMP, TN, TP as the RSR of each model was 0.503, 0.477 and 0.493, respectively, while the RSR of Model 2 was 0.521. On the other hand, Model 2 shows better performance than Model 1 for TOC, where the RSR was 0.532. Explainable artificial intelligence(XAI) is an ongoing field of research in machine learning study. Shapley value analysis, a novel XAI algorithm, was also used for the quantitative interpretation of the XGB model performance developed in this study.

일반적으로 콘크리트는 골재, 모래, 시멘트, 담수, 혼합재 등 다양한 재료로 구성되어있으며 재령에 따라서 강도가 증 가한다. 콘크리트에 필요한 각 재료의 비율은 혼합 설계를 통해 결정되지만, 콘크리트의 강도는 실험적으로 측정되기 전까지는 알 수 없다. 이러한 한계를 극복하기 위해 실험을 통해 얻은 데이터를 이용하여 콘크리트의 압축 강도를 예측하기 위해 통계수 학과 기계학습 알고리즘을 이용한 많은 연구가 시도되었다. 이전의 연구는 콘크리트 압축 강도 예측에 신경망 기법이 가장 적 합하다고 제안하였다. 그러나 신경망 기법은 다른 기계학습과 비교하여 모델 학습에 계산 비용이 많이 들어 실제로 적용하기 어려운 문제점이 있다. 최근 몇 년 동안 다양한 회귀 분석 모델이 개발되었으므로 본 연구에서는 신경망 대신 최신 회귀 분석 모델을 이용하여 콘크리트 강도 예측모델을 제시하였다. 이를 위해 최근 개발된 회귀 분석 모델에 대한 교차검증을 시행하여 최적의 모델을 선정하였다. 그리드 검색을 통하여 선정된 각 모델의 하이퍼 파라미터를 최적화하고, 국내외 데이터를 활용하여 기계학습 모델을 훈련하고 검증하였다. 이들 중 CatBoost, LGBMR, RFR, XGBoost 회귀모델이 높은 성능을 보여주었다. 특히 그 중에서 XGBoost 회귀 분석 모델이 가장 작은 오차와 높은 정확도를 보여주었다. 이들 중 오류가 가장 큰 LGBMR 모델도 이전 연구에서 제안된 신경망 및 앙상블 모델보다 성능이 우수하였다. 현장 레미콘 콘크리트에 대한 압축 강도 예측을 시행하여 학 습된 모델의 현장 적용 가능성을 확인하였다.

Flipped learning research has been applied in various educational fields since 2015 and the educational effects have been discussed in previous literature. In the beauty field, flipped learning research is insufficient; in particular, it is difficult to find research on flipped learning specifically concerning nail beauty education. The purpose of this study is to develop a model for applying flipped learning to nail beauty education which should involve practical training based on theory. Such an approach is considered effective. Data were collected and analyzed focusing on previous studies with flipped learning applied as a research method. The subject of the research is “Nail Color Design 1”, a common nail major elective subject at J college. The “Nail Color Design 1” course is a practice-oriented course in the form of theory and practical classes. Consequently, the flipped learning education model for nail beauty was designed by reflecting learners’ needs through the ADDIE instructional design model. It was applied based on the education structure of the Pre-class, In-class, and Post-class of the PARTNER instructional learning model. This study deviates from the traditional practical education model, and has educational significance as a practical model in which flipped learning is applied to nail beauty subjects and self-reflection is derived through project practice.

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

PURPOSES : In this study, model-agnostic methods are applied for interpreting machine learning models, such as the feature global effect, the importance of a feature, the joint effects of features, and explaining individual predictions. METHODS : Model-agnostic global interpretation techniques, such as partial dependence plot (PDP), accumulated local effect (ALE), feature interaction (H-statistics), and permutation feature importance, were applied to describe the average behavior of a machine learning model. Moreover, local model-agnostic interpretation methods, individual conditional expectation curves (ICE), local surrogate models (LIME), and Shapley values were used to explain individual predictions. RESULTS : As global interpretations, PDP and ALE-Plot demonstrated the relationship between a feature and the prediction of a machine learning model, where the feature interaction estimated whether one feature depended on the other feature, and the permutation feature importance measured the importance of a feature. For local interpretations, ICE exhibited how changing a feature changes the interested instance’s prediction, LIME explained the relationship between a feature and the instance’s prediction by replacing the machine model with a locally interpretable model, and Shapley values presented how to fairly contribute to the instance’s prediction among the features. CONCLUSIONS : Model-agnostic methods contribute to understanding the general relationship between features and a prediction or debut a model from the global and/or local perspective, securing the reliability of the learning model.

In this study, the positions of Cs-137 gamma ray source are estimated from the plastic scintillating fiber bundle sensor with length of 5 m, using machine learning data analysis. Seven strands of plastic scintillating fibers are bundled by black shrink tube and two photomultiplier tubes are used as a gamma ray sensing and light measuring devices, respectively. The dose rate of Cs-137 used in this study is 6 μSv·h−1. For the machine learning modeling, Keras framework in a Python environment is used. The algorithm chosen to construct machine learning model is regression with 15,000 number of nodes in each hidden layer. The pulse-shaped signals measured by photomultiplier tubes are saved as discrete digits and each pulse data consists of 1,024 number of them. Measurements are conducted separately to create machine learning data used in training and test processes. Measurement times were different for obtaining training and test data which were 1 minute and 5 seconds, respectively. It is because sufficient number of data are needed in case of training data, while the measurement time of test data implies the actual measuring time. The machine learning model is designated to estimate the source positions using the information about time difference of the pulses which are created simultaneously by the interaction of gamma ray and plastic scintillating fiber sensor. To evaluate whether the double-trained machine learning model shows enhancement in accuracy of source position estimation, the reference model is constructed using training data with one-time learning process. The double-trained machine learning model is designed to construct first model and create a second training data using the training error and predetermined coefficient. The second training data are used to construct a final model. Both reference model and double-trained models constructed with different coefficients are evaluated with test data. The evaluation result shows that the average values calculated for all measured position in each model are different from 7.21 to 1.44 cm. As a result, by constructing the double-trained machine learning model, the final accuracy shows 80% of improvement ratio. Further study will be conducted to evaluate whether the double-trained machine learning model is applicable to other data obtained from measurement of gamma ray sources with different energy and set a methodology to find optimal coefficient.

본 연구에서는 진해만의 DO 농도 재현을 목표로 LSTM 모형의 최적 매개변수 조건과 예측변수를 선별하기 위한 Case study를 진행하였다. 모형 매개변수 Case study 결과, 가장 적은 Hidden node와 Epoch인 Hidden node=10, Epoch=100에서 가장 낮은 정확도를 보였다. 이는 모형이 과소적합(Underfitting) 상태인 것으로 판단된다. Hidden node=80, Epoch=1200에서 R2 값은 0.99로 가장 높은 정확도를 보였다. 예 측변수 Case study 결과, 1개의 환경변수만을 예측변수로 사용한 Step 1에서 수온을 예측변수로 했을 때 저층 DO 농도 재현의 R2 값은 0.81 로 가장 높은 정확도를 보였다. 이후 2개의 환경변수를 사용한 Step 2에서는 수온과 SiO2를 예측변수로 했을 때 R2 값은 0.92로 수온만 사 용했을 때보다 정확도가 급격히 증가하였다. 이는 저층 DO 농도와 SiO2 농도간의 높은 상관성(=0.70)에 기인한 것으로 판단된다. 상기 결과로부터 진해만의 DO 농도 재현에 적합한 LSTM 모형의 매개변수와 예측변수를 찾을 수 있었다.

Algal bloom is an ongoing issue in the management of freshwater systems for drinking water supply, and the chlorophyll-a concentration is commonly used to represent the status of algal bloom. Thus, the prediction of chlorophyll-a concentration is essential for the proper management of water quality. However, the chlorophyll-a concentration is affected by various water quality and environmental factors, so the prediction of its concentration is not an easy task. In recent years, many advanced machine learning algorithms have increasingly been used for the development of surrogate models to prediction the chlorophyll-a concentration in freshwater systems such as rivers or reservoirs. This study used a light gradient boosting machine(LightGBM), a gradient boosting decision tree algorithm, to develop an ensemble machine learning model to predict chlorophyll-a concentration. The field water quality data observed at Daecheong Lake, obtained from the real-time water information system in Korea, were used for the development of the model. The data include temperature, pH, electric conductivity, dissolved oxygen, total organic carbon, total nitrogen, total phosphorus, and chlorophyll-a. First, a LightGBM model was developed to predict the chlorophyll-a concentration by using the other seven items as independent input variables. Second, the time-lagged values of all the input variables were added as input variables to understand the effect of time lag of input variables on model performance. The time lag (i) ranges from 1 to 50 days. The model performance was evaluated using three indices, root mean squared error-observation standard deviation ration (RSR), Nash-Sutcliffe coefficient of efficiency (NSE) and mean absolute error (MAE). The model showed the best performance by adding a dataset with a one-day time lag (i=1) where RSR, NSE, and MAE were 0.359, 0.871 and 1.510, respectively. The improvement of model performance was observed when a dataset with a time lag up of about 15 days (i=15) was added.