최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.1, 2020년, pp.181 - 200
김은미 (한성대학교 경제부동산학과 부동산경제학 전공) , 김상봉 (한성대학교 경제학과) , 조은서 (한성대학교 경제부동산학과 부동산경제학)
This study used the OLS model to estimate the determinants affecting the tenure of a home and then compared the predictive power of each model with SVM, Decision Tree, Random Forest, Gradient Boosting, XGBooest and LightGBM. There is a difference from the preceding study in that the Stacking model, ...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
머신러닝이란 무엇인가? | 머신러닝이란 인공지능의 한 분야로서 데이터를 기반으로 패턴을 학습하고 결과를 예측하여 의사결정을 하는 것을 말한다. 머신러닝은 1950년대 인공지능이라는 개념으로 시작하였으나 80년대 후반부터 오랜기간 침체기를 겪었다. | |
머신러닝의 발달과정은 어떠한가? | 머신러닝이란 인공지능의 한 분야로서 데이터를 기반으로 패턴을 학습하고 결과를 예측하여 의사결정을 하는 것을 말한다. 머신러닝은 1950년대 인공지능이라는 개념으로 시작하였으나 80년대 후반부터 오랜기간 침체기를 겪었다. 이후 신경망 시대를 거쳐 통계학적 머신러닝과 빅 데이터 시대를 지나 최근 딥 러닝과 함께 다시 한번 주목을 받고 있다. 머신러닝은 학습방법에 따라 크게 지도학습과 비지도 학습으로 분류할 수 있다. | |
머신러닝의 학습 방법 중 하나인 지도학습에 대하여 설명하시오. | 머신러닝은 학습방법에 따라 크게 지도학습과 비지도 학습으로 분류할 수 있다. 지도학습은 주어진 데이터와 레이블을 이용해서 값을 예측하는 학습방법으로 값을 예측하는 회귀, 항목을 선택하는 분류, 상품에 대한 사용자 선호도를 예측하는 추천, 순위를 예측하는 랭킹으로 구분할 수 있다. 대표적인 지도학습 알고리즘은 k-최근접 이웃(k-nearest neighbors), 나이브 베이즈(naivebayes), 서포트 벡터 머신(support vector machine,SVM), 의사결정나무(decision tree), 랜덤 포레스트(random forest)등이 있다. |
Kang SH. 2017. The effects of Housing Price Growth on Housing Tenure. Housing Studies Review. 25(4):5-19.
Kang HM, Kim JR. 2013. A Study on Factors Affecting the Time to Sell an Apartment. Institute for Finance & Knowledge. 11(2): 165-182.
Kwon CM. 2019. Python machine learning Perfect guide. Wikibooks, p. 179-284.
Kim YK. 2019. Prediction of Citizens’ Emotions on Home Mortgage Rate Using Machine Learning Algorithms. Journal of Cadastre & Land InformatiX. 49(1):65-84.
Kim EM, Kim SB. 2019. A Study on Macroeconomic Variables and Determinants of Housing Retention Period. Journal of Real Estate Analysis. 5(3):31-47.
Kim TK. 2010. Exploring Impacts of Housing Market Policy Variables on Home Ownership Durations. Korea Planning Association. 45(5): 105-116.
Sebastian R, Vahid M. 2019. Machine Learning with Python, scikit-learn, and TensorFlow. Gilbut, p.105-128.
Andreas M, Sarah G. 2017. Introduction to Machine Learning with Python. Hanbit, p. 105-128.
Hwang JY. 2008. Analysis on Determinants of Holding Period in Seoul Office Market. KonKuk University.
Archer WD, Ling B, Smith. 2010. Ownership Duration in the Residential Housing Marekt: The Influence of Structure, Tenure, Household and Neighborhood Factors. Journal of Real Estate Finance and Economics. 40: 41-61.
Collett DC, Lizieri C, Ward. 2003. Timing and the Holding Periods of Institutional Real Estate. Real Estate Economics. 31: 205-222.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.