Marketing becomes more and more data driven and hence enables machine learning to empower instruments to foster the interaction between firms and consumers to a new level of customization. Replacement and redirection of workforce through machine learning powered devices is not anymore a mere myth (Huang and Rust 2018). Adaption of machine learning has remained low in the recent years even though disposability was given. Nevertheless the acceptance and the implementation of machine learning based marketing efforts experience currently an exponential increase (Syam and Sharma 2018). In this article, the authors aim to develop a stronger understanding of machine learning in the context of marketing as well as to provide an overview about already established usage and implementation of machine learning in the interactions between firms and customers. To achieve this objective, the authors discuss and study machine learning in marketing from both the management and the consumer perspective. This is supported by survey data retrieved from managers out of varies industries as well as consumers, which reveal great variety in usage of machine learning not only among different marketing activities but also among industries. The authors examine the roots of machine learning in marketing and evaluate inferential state-of-the-art instruments. Predictions of what can and will evolve in the marketing context with the help of machine learning in the near future are also connected with concerns and safety issues related to the increasingly transparent consumer-firm-relationship. To conclude, the article the authors present a summary of state-of-the-art mechanisms in machine learning in marketing and propose a research agenda for upcoming research.

목적: 본 연구는 망막 영상의 혈관 분할을 위한 새로운 심층 인공 학습 시스템을 구축하는데 목적이 있 다. 기존 CNN (Convolutional Neural Network) 아키텍처를 제시하고, CNN 방식을 토대로 성능을 개선한 DirectNet을 고안하는데 있다. 특히, 기존 CNN에 비해 처리 시간을 크게 단축시키는데 있다. 방법: 제안된 DirectNet 아키텍처는 피라미드 형식의 블록(Block)들로 구성되며 각 블록은 컨볼루션레이 어 (Convolution layer) 묶음을 포함한다. 하나의 블록은 학습 결과를 보존(저장)하는 단위이다. 블록들은 순차적으로 하나씩 증가하며 피라미드 형식으로 쌓이게 되고 이를 통해 초기 학습 결과가 소멸되지 않고 최종 분석에 활용될 수 있도록 하였다. DirectNet은 패치(Patch) 추출과 Pooling 과정 없이 이미지를 학습하여 학습 층을 거듭하여도 원본 이미지와 동일하게 유지되는 것이 특징이다. 또한 다양한 커널사이즈를 활용 하되 Depthwise Separable Convolution(DSC)을 활용하여 색을 구성하는 RGB(Red, Green, Blue)픽셀로 부터 혈관 모양을 인식 및 탐지한다. 결과: DirectNet은 최첨단 패치 기반 CNN 접근 방식 (0.9538 vs 0.9327, 0.7851 vs 0.7346, 0.9782 vs 0.9730, 0.8458 vs 0.7987)과 비교하여 더 높은 정확도, 감도, 특이도 및 정밀도 값을 제공하였다. Direct Net의 학습 시간은 8시간에서 1시간, 테스트에 소요된 시간은 1시간에서 이미지 당 6초로 크게 단축하였다. 결론: 제안 된 심층 학습 아키텍처는 기존의 CNN 방식으로 진행한 학습 시간에 비해 8배, 테스트에서 600배 빠른 속도로 결과를 제공한다. DirectNet은 CNN에 비해 2.11%의 약간 높은 정확도를 보였으며, 다 른 측정 항목에서도 동등하거나 그 이상의 결과를 보여 분석 시간 효율을 크게 높였다.

The road surface condition in winter is important for road maintenance and safety. To estimate the road surface condition in winter, the RWIS(Road Weather Information System) is used. However RWIS is not measured the continuous road surface information but measured the locational road surface information. To overcome the current RWIS limitation, the thermal mapping sensor which can collect the road surface condition employed in some countries. Although the thermal mapping sensor can collect the continuous road surface information, it is difficult to collect vast data due to apply few probe car. This study suggests a specific methodology for the prediction of road surface temperature using vehicular ambient temperature sensors and collect road surface and vehicular ambient temperature data on the defined survey route in 2015 and 2016 year, respectively. To find out the correlation between road surface and ambient temperature which may affect patterns of road surface temperature variation, the various weather and topographical conditions along with the test route were considered. For modelling, all types of collected temperature data should be classified into response and predictor before applying a machine learning tool such as MATLAB. In this study, collected road surface temperature are considered as response while vehicular ambient temperatures defied as predictor. Through data learning using machine learning tool, models were developed and finally compared predicted and actual temperature based on average absolute error. According to comparison results, model enables to estimate actual road surface temperature variation pattern along the roads very well. Model III is slightly better than the rest of models in terms of estimation performance. When correlation between response and predictor is high, when plenty of historical data exists, and when a lot of predictors are available, estimation performance of would be much better.

요약; 최근에는 기계 학습, 특히 심층 학습에 많은 연구가 진행되고 있다. 구글, 페이스 북과 같은 대기업이 인공 지능과 기계 학습에 관심을 가지고 있기 때문에, 이러한 연구는 날마다 발전하고있다. 기계 학습은 의학, 번역 및 IT와 같은 다양한 산업에서 사용될 것으로 기대됩니다. 게임 부문은 기계학습 기술적용의 효과가 예상되는 영역 중 하나라고 간주됩니다. 본 논문에서는 MMORPG-Tera의 게임 콘텐츠에서 몬스터의 승패를 예측하는 신경망을 Tensorflow를 통해 설계하였다. 이 모델은 1 개의 입력 레이어, 2 개의 숨겨진 레이어 및 1 개의 출력 레이어를 가지고 있다. 입력 레이어에는 8 개의 노드가 있고 각 숨겨진 레이어에는 16 개의 노드가 있으며 출력 레이어에는 1 개의 노드가 있다. 더 나은 결과를 위해 우리는 그라디언트 디센트, 시그 모이드 (Sigmoid) 함수 및 Relu 함수 (Activate 함수)에 Adam을 사용한다. 준비된 데이터 세트의 마지막 부분은 테스 트 데이터 용으로 사용되고 나머지는 학습 모델 용으로 사용되었다. 이 모델은 5 ~ 10 % 오차 이내의 확률을 예측할 수 있다. 데이터 세트의 부족은 만족스럽지 않은 점으로 남아 있으며, 충분한 데이터가 수집되고 더 개선 된 모델이 준비되면 오류를 더 줄일 수 있다. 그리고 제안된 모델은 앞으로 다른 게임이나 스포츠 게임에도 적용될 것이다.

본 연구는 모아레 현상을 이용하여 구조물의 평면부재의 변형을 탐지하는 방식을 개발하였다. 평행선형상인 기존연구와 비교하여 본 연구의 원형형상은 변형 시 고유한 무늬가 나타나 변형의 방향도 시각적으로 인지할 수 있었다. 또한 변형을 확실하고 자동 으로 구분할 수 있도록 기계학습의 이미지분류를 사용하여 탐지한 결과 이미지 표면이 오염되더라도 KNN, SVM방식으로는 95%의 인식률, AlexNet과 Gogglenet Inception으로는 99%의 인식률을 보여 실현장활용이 가능할 것으로 판단된다.

최근 머신러닝은 빅데이터에 대한 분석방법으로서 학습을 통한 지능화된 문제해결 방안으로서 관심이 증가하고 있다. 본 논문은 LBSN 데이터와 머신러닝 방식을 이용하여 토지이용현황을 파악하는 분석을 시도하였다. 도시계획에 있어서 토지이용현황의 파악은 직접적인 현장 조사에 의존해 왔다. 최근 스마트폰 사용자가 증가하면서 등장하고 있는 위치기반 소셜미디어의 자료들 은 토지이용의 상황을 반영하는 빅데이터로서, 머신러닝 방법론은 이들에 대한 자동화된 분석을 할 수 있게 한다. 본 연구에서는 LBSN 자료와 머신러닝 기법을 이용하여 토지이용을 예측하는 모델을 개발하여 실제 토지이용현황 자료와의 비교분석을 수행하였다. 이러한 분석을 통해 LBSN자료를 이용한 토지이용현황의 자동화된 분석 방안에 대해 연구하였다.

In order to reduce damages to major railroad components, which have the potential to cause interruptions to railroad services and safety accidents and to generate unnecessary maintenance costs, the development of rolling stock maintenance technology is switching from preventive maintenance based on the inspection period to predictive maintenance technology, led by advanced countries. Furthermore, to enhance trust in accordance with the speedup of system and reduce maintenances cost simultaneously, the demand for fault diagnosis and prognostic health management technology is increasing. The objective of this paper is to propose a highly reliable learning model using various machine learning algorithms that can be applied to critical rolling stock components. This paper presents a model for railway rolling stock component fault diagnosis and conducts a mechanical failure diagnosis of motor components by applying the machine learning technique in order to ensure efficient maintenance support along with a data preprocessing plan for component fault diagnosis. This paper first defines a failure diagnosis model for rolling stock components. Function-based algorithms ANFIS and SMO were used as machine learning techniques for generating the failure diagnosis model. Two tree-based algorithms, RadomForest and CART, were also employed. In order to evaluate the performance of the algorithms to be used for diagnosing failures in motors as a critical railroad component, an experiment was carried out on 2 data sets with different classes (includes 6 classes and 3 class levels). According to the results of the experiment, the random forest algorithm, a tree-based machine learning technique, showed the best performance.

PURPOSES:This study suggests a specific methodology for the prediction of road surface temperature using vehicular ambient temperature sensors. In addition, four kind of models is developed based on machine learning algorithms.METHODS:Thermal Mapping System is employed to collect road surface and vehicular ambient temperature data on the defined survey route in 2015 and 2016 year, respectively. For modelling, all types of collected temperature data should be classified into response and predictor before applying a machine learning tool such as MATLAB. In this study, collected road surface temperature are considered as response while vehicular ambient temperatures defied as predictor. Through data learning using machine learning tool, models were developed and finally compared predicted and actual temperature based on average absolute error.RESULTS:According to comparison results, model enables to estimate actual road surface temperature variation pattern along the roads very well. Model III is slightly better than the rest of models in terms of estimation performance.CONCLUSIONS :When correlation between response and predictor is high, when plenty of historical data exists, and when a lot of predictors are available, estimation performance of would be much better.

역삼투 해수담수화 공정에서 막 오염은 생산수량 감소 및 공정의 에너지 소비량 증가를 야기한다. 막간 차압 증가, 생산수량 감소 외에 막 저항 값의 증가는 막 오염 정도를 판단하는 수치로 사용이 가능하다. 특히 막 저항 값 기반의 세정은 막 오염 제어를 통해 역삼투 해수담수화 공정에서 막의 성능 유지 시 사용 가능하다. 이에 본 연구에서는 해수 수질 인자 및 공정 운전 인자에 기반하여 막 저항 값을 예측하는 알고리즘을 제안한다. 알고리즘은 해수담수화 플랜트의 운전 데이터에 기반하여 인자들과 막 저항 값 사이의 관계를 학습하고 검증과정을 거쳐 막 오염 발생 시점을 사전에 예측하는 방식으로 개발되었다. 예측 정확도를 분석하고 개발된 알고리즘의 수정을 통해 예측 정확도 향상을 위한 연구를 진행하였다.

Recently, scheduling problems with position-dependent processing times have received considerable attention in the literature, where the processing times of jobs are dependent on the processing sequences. However, they did not consider cases in which each processed job has different learning or aging ratios. This means that the actual processing time for a job can be determined not only by the processing sequence, but also by the learning/aging ratio, which can reflect the degree of processing difficulties in subsequent jobs. Motivated by these remarks, in this paper, we consider a two-agent single-machine scheduling problem with linear job-dependent position-based learning effects, where two agents compete to use a common single machine and each job has a different learning ratio. Specifically, we take into account two different objective functions for two agents: one agent minimizes the total weighted completion time, and the other restricts the makespan to less than an upper bound. After formally defining the problem by developing a mixed integer non-linear programming formulation, we devise a branch-and-bound (B&B) algorithm to give optimal solutions by developing four dominance properties based on a pairwise interchange comparison and four properties regarding the feasibility of a considered sequence. We suggest a lower bound to speed up the search procedure in the B&B algorithm by fathoming any non-prominent nodes. As this problem is at least NP-hard, we suggest efficient genetic algorithms using different methods to generate the initial population and two crossover operations. Computational results show that the proposed algorithms are efficient to obtain near-optimal solutions.