목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공 시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교 함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하 는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습 하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데 이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으 로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다.

스티븐 스필버그의 영화 <A.I.>는 로봇이 인간의 정서적인 상처를 치유할 수 있는가에 대한 질문을 던진다. 필연적으로 인간은 사랑하는 사람과의 이별 혹은 상실을 겪으면서 살아갈 수밖에 없다. 상실과 이별을 로봇으로 상쇄할 수 있다 면 인간은 보다 행복할 수 있을 것이라는 전제는 영화의 기본적인 전제가 된다. 문제는 인간을 대체하기 위해 만들어진 로봇이 쓸모가 없어졌을 때, 그것을 폐 기해야 하는가의 문제는 인간에게 또 다른 도덕적인 질문을 던지게 한다. 로봇 인 데이빗은 인간의 아이를 대체하기 위해 만들어졌다. 인간들이 상실의 아픔을 극복하기 위해 인공로봇을 만들어 냈지만 역설적으로 그 로봇은 끊임없이 인간 에게 상실과 멜랑콜리를 환기시키는 상실의 물리적인 재현이 되었다. 결론적으 로 영화 <A.I.>는 여러 가지 면에서 멜랑콜리의 본질과 그것의 확장된 외연의 의미를 아주 잘 보여주는 영화라고 할 수 있다. 많은 멜랑콜리 담론에서 멜랑콜 리는 상실의 빈자리를 다루는 것으로 여기지만, 페디다와 크레펠린의 논의에서 볼 수 있는 것처럼, 그것은 일종의 상실된 대상을 현실로 끌어오는 일종의 “몽 환적 기제”에 해당한다. “몽환적 장치”는 공상과학영화라는 장르로 대체되었지 만, 멜랑콜리적 메카니즘이 가지고 있는 본질적인 특성을 잘 보여주고 있다.