Background: Automated classification systems using Artificial Intelligence (AI) and Machine Learning (ML) can enhance accuracy and efficiency in diagnosing pet skin diseases within veterinary medicine. Objectives: This study created a system that classifies pet skin diseases by evaluating multiple ML models to determine which method is most effective. Design: Comparative experimental study. Methods: Pet skin disease images were obtained from AIHub. Models, including Multi-Layer Perceptron (MLP), Boosted Stacking Ensemble (BSE), H2O AutoML, Random Forest, and Tree-based Pipeline Optimization Tool (TPOT), were trained and their accuracy assessed. Results: The TPOT achieved the highest accuracy (94.50 percent), due to automated pipeline optimization and ensemble learning. H2O AutoML also performed well at 94.25 percent, illustrating the effectiveness of automated selection for intricate imaging tasks. Other models scored lower. Conclusion: These findings highlight the potential of AI-driven solutions for faster and more precise pet skin disease diagnoses. Future investigations should incorporate broader disease varieties, multimodal data, and clinical validations to solidify the practicality of these approaches in veterinary medicine.

This study aimed to improve the accuracy of road pavement design by comparing and analyzing various statistical and machine-learning techniques for predicting asphalt layer thickness, focusing on regional roads in Pakistan. The explanatory variables selected for this study included the annual average daily traffic (AADT), subbase thickness, and subgrade California bearing ratio (CBR) values from six cities in Pakistan. The statistical prediction models used were multiple linear regression (MLR), support vector regression (SVR), random forest, and XGBoost. The performance of each model was evaluated using the mean absolute percentage error (MAPE) and root-mean-square error (RMSE). The analysis results indicated that the AADT was the most influential variable affecting the asphalt layer thickness. Among the models, the MLR demonstrated the best predictive performance. While XGBoost had a relatively strong performance among the machine-learning techniques, the traditional statistical model, MLR, still outperformed it in certain regions. This study emphasized the need for customized pavement designs that reflect the traffic and environmental conditions specific to regional roads in Pakistan. This finding suggests that future research should incorporate additional variables and data for a more in-depth analysis.

The entire industry is increasing the use of big data analysis using artificial intelligence technology due to the Fourth Industrial Revolution. The value of big data is increasing, and the same is true of the production technology. However, small and medium -sized manufacturers with small size are difficult to use for work due to lack of data management ability, and it is difficult to enter smart factories. Therefore, to help small and medium -sized manufacturing companies use big data, we will predict the gross production time through machine learning. In previous studies, machine learning was conducted as a time and quantity factor for production, and the excellence of the ExtraTree Algorithm was confirmed by predicting gross product time. In this study, the worker's proficiency factors were added to the time and quantity factors necessary for production, and the prediction rate of LightGBM Algorithm knowing was the highest. The results of the study will help to enhance the company's competitiveness and enhance the competitiveness of the company by identifying the possibility of data utilization of the MES system and supporting systematic production schedule management.

PURPOSES : This study aims to develop and evaluate computer vision-based algorithms that classify the road roughness index (IRI) of road specimens with known IRIs. The presented study develops and compares classifier-based and deep learning-based models that can effectively determine pavement roughness grades. METHODS : A set road specimen was developed for various IRIs by generating road profiles with matching standard deviations. In addition, five distinct features from road images, including mean, peak-to-peak, standard variation, and mean absolute deviation, were extracted to develop a classifier-based model. From parametric studies, a support vector machine (SVM) was selected. To further demonstrate that the model is more applicable to real-world problems, with a non-integer road grade, a deep-learning model was developed. The algorithm was proposed by modifying the MNIST database, and the model input parameters were determined to achieve higher precision. RESULTS : The results of the proposed algorithms indicated the potential of using computer vision-based models for classifying road surface roughness. When SVM was adopted, near 100% precision was achieved for the training data, and 98% for the test data. Although the model indicated accurate results, the model was classified based on integer IRIs, which is less practical. Alternatively, a deep-learning model, which can be applied to a non-integer road grade, indicated an accuracy of over 85%. CONCLUSIONS : In this study, both the classifier-based, and deep-learning-based models indicated high precision for estimating road surface roughness grades. However, because the proposed algorithm has only been verified against the road model with fixed integers, optimization and verification of the proposed algorithm need to be performed for a real road condition.

Abstract: Mental health problems leading to depression have become a critical concern due to the growing engagement of people on social media platforms. Several past approaches have been implemented by analyzing the pattern and behaviour of the posts by users on social networking sites. This research study proposed a system for predicting users who may be depressed, based on the characteristics of users who is already affected. A combination of both the tweet-level and the user-level architecture was used to generate a more robust and reliable system where semantic embeddings trained from advanced neural networks were adopted under the tweet-level. SVM with Word2Vec and TF-IDF has been used and yielded an accuracy of 98.14% and recall of 95.63%.

본 연구는 입목재적 계산에 기본이 되는 수간고별 직경 추정에 있어 머신러닝 기반 학습모델의 적용 가능성을 알아보기 위해 수행되었다. 이를 위해 전국에 분포하는 상수리나무 표준목에서 얻은 자료를 이용하여 Kozak Model (Model 1)과 Random Forest Model (RF, Model 2 to 4)로부터 수간고별 직경 값을 도출하였고, 이를 비교분석 하였다. RF는 입지환경 요소를 학습에 활용하여 3가지 모델 (Model 2 (수고, 흉고직경), Model 3 (수고, 흉고직경, 입지환경 요소), Model 4 (수고, 입지환경 요소))로 개발하였다. 모델의 적합도를 검증하기 위해 적합도 지수(Fitness Index), 편의(Bias), 평균절대편차(Mean Absolute Deviation), 평균 제곱근 오차(Root Mean Square Error)를 이용하여 모델의 적합성을 비교하였다. 분석 결과, Kozak 모델(FI = 0.9695, Bias = 0.0292, RMSE = 1.5155, MAD = 1.1248) 에 비해 RF모델이 전반적으로 수간고에 따른 직경을 잘 예측하는 모델로 나타났으며, RF 중에서도 입지환경 요소를 학습에 활용한 Model 3의 경우(FI = 0.9740, Bias = 0.0186, RMSE = 1.3995, MAD = 0.9746) 가장 우수한 성능을 보인 것으로 나타났다. 다만, 수간곡선을 통한 경향을 분석한 결과 일부 구간에서 수고의 변화에 따른 직경 추정에 이상치가 발생하여 추후에는 파라미터조절이나 새로운 모델 적용 등을 통한 연구가 필요한 것으로 판단되었다. 본 연구를 통해 추정된 Random Forest 기반의 수간고별 직경추정 모델은 개체목 재적산출에 활용되어 산림경영을 위한 기초자료로 활용될 가능성이 있을 것으로 예상된다.

인공지능은 우리가 매일 들고 다니는 휴대폰을 비롯한 생활 전반뿐만 아니라 모든 사회 영역에까지 침투하고 있다. 특히 최근에 대두된 인공지능의 학습방법으로서의 머신러닝 기법의 발달로 이제 인공지능은 엄청난 양의 데이터를 학습하면서 성장해나가는 형태를 기본으로 하고 있다. 사법절차를 비롯한 분쟁해결영역도 인공지능이 넘보는 분야에서 더 이상 예외가 아니다. 언뜻 생각하면 법체계는 언어, 논리, 그리고 개념 간의 관련성이 지배하는 영역이어서, 전자적⋅기계적인 분석방법이 적극적으로 도입될 수 있는 분야로 비추어지나, 실제로 아직까지는 법 영역에서 자연어처리나 머신러닝 기법은 기대만큼의 성과를 내지는 못하고 있다. 최근 판결의 결과를 예측하는 시스템을 개발하는 연구들이 활발한데, 현재까지 공표된 대부분의 판결예측 연구들은 일단 사실관계는 확정을 해둔 채, 해당 사실관계의 특징적인 요소들이 담긴 기존 사례들을 분석하여 인간이 하는 것과 유사한 결론을 도출하는 과정으로 이루어진다. 그에 비하여 날 것 그대로의 증거들을 분석하여 허위의 주장이나 증거들을 걸러내고 진실한 사실관계를 재구성하는 정도에 이른 연구들은 찾아보기 힘들다. 특히 우리나라의 경우에는 인공지능이 학습에 필요한 충분한 판례 데이터를 확보하지 못하기가 어렵다는 점이 많이 지적되고 있는 현실이다. 다만 판결문을 훈련데이터로 활용하게 되더라도, 이 유기재가 생략된 판결문도 많다는 점이나 판사 개인이 판결 이유를 기재하는 방식이 훈련데이터의 분석에 영향을 끼칠 수도 있다는 점 등을 유념 해야 한다. 또한 판결문 등 기존 훈련데이터에 편향성이나 오류가 내재되어 있다면, 인공지능의 학습도 당연히 영향을 받을 수밖에 없다. 나아가 인공지능이 추상적인 불확정개념의 해석이나 적용 까지도 할 수 있을지는 아직 의문이다. 인공지능 판사의 출현은 적어도 단시일에 이루어지지는 않을 것이고, 단기적으로는 인공지능을 활용하여 판사의 업무를 보조하는 역할을 더 기대해볼 수 있겠다. 인공지능이 사법분야 내에서 활동할 수 있는 영역을 구체적ㆍ세부적으로 연구 하는 작업은, 인간 법관이 주도권을 잡은 채로 인공지능이 보조적인 역할을 하는 시대에서 인공지능을 활용할 수 있는 영역을 효과적으로 짚어내는 데에 도움이 될 수 있다. 다만 점차적으로 판사를 보조하는 지위에서 어느새 조금씩 인간 판사의 판단을 잠식할 위험성은 항시 경계해야 한다. 특히 인공지능 시스템이 개선될수록 판사가 인공지능이 작성한 보고서나 판결문 초안에 과도하게 의지하여 기계적, 통계적인 판단만을 내리게 될 위험을 조심해야 한다.

Solar radiation forecasts are important for predicting the amount of ice on road and the potential solar energy. In an attempt to improve solar radiation predictability in Jeju, we conducted machine learning with various data mining techniques such as tree models, conditional inference tree, random forest, support vector machines and logistic regression. To validate machine learning models, the results from the simulation was compared with the solar radiation data observed over Jeju observation site. According to the model assesment, it can be seen that the solar radiation prediction using random forest is the most effective method. The error rate proposed by random forest data mining is 17%.

본 논문은 기계학습 기법을 이용한 게임 캐릭터를 제어하는 엔진을 설계하고 구현하는 것을 제안한다. 제안된 엔진은 실제 게임에서 상황 데이터를 추출하여 지식 데이터로 사용하므로 지능 캐릭터의 행동 패턴을 게이머들이 쉽게 인식하지 못하는 장점이 있다. 이를 위하여 상황 데이터를 추출하여 학습하는 모듈과 임의의 상황 데이터에 대하여 최적의 상황 제어를 판단하는 시험 모듈을 개발하는 것을 제안하였다. 구현된 엔진은 FEAR에 이식되고 Quake2 게임에 적용되었다. 또한 개발된 엔진의 올바른 동작과 효율성을 위하여 다양한 실험을 하였다. 실험으로부터 개발된 엔진이 올바르게 동작할 뿐만 아니라 제한된 시간 내에 효율적으로 동작함을 알 수 있었다.