[논문]데이터 예측 모델 최적화를 위한 경사하강법 교육 방법

허경

doi:10.14702/jpee.2022.305

데이터 예측 모델 최적화를 위한 경사하강법 교육 방법
Gradient Descent Training Method for Optimizing Data Prediction Models 원문보기

JPEE : Journal of practical engineering education = 실천공학교육논문지, v.14 no.2, 2022년, pp.305 - 312

초록
AI-Helper

본 논문에서는 기초적인 데이터 예측 모델을 만들고 최적화하는 교육에 초점을 맞추었다. 그리고 데이터 예측 모델을 최적화하는 데 널리 사용되는 머신러닝의 경사하강법 교육 방법을 제안하였다. 미분법을 적용하여 데이터 예측 모델에 필요한 파라미터 값들을 최적화하는 과정에 사용되는 경사하강법의 전체 동작과정을 시각적으로 보여주며, 수학의 미분법이 머신러닝에 효과적으로 사용되는 것을 교육한다. 경사하강법의 전체 동작과정을 시각적으로 설명하기위해, 스프레드시트로 경사하강법 SW를 구현한다. 본 논문에서는 첫번째로, 2변수 경사하강법 교육 방법을 제시하고, 오차 최소제곱법과 비교하여 2변수 데이터 예측모델의 정확도를 검증한다. 두번째로, 3변수 경사하강법 교육 방법을 제시하고, 3변수 데이터 예측모델의 정확도를 검증한다. 이후, 경사하강법 최적화 실습 방향을 제시하고, 비전공자 교육 만족도 결과를 통해, 제안한 경사하강법 교육방법이 갖는 교육 효과를 분석하였다.

Abstract ▼ AI-Helper

In this paper, we focused on training to create and optimize a basic data prediction model. And we proposed a gradient descent training method of machine learning that is widely used to optimize data prediction models. It visually shows the entire operation process of gradient descent used in the process of optimizing parameter values required for data prediction models by applying the differential method and teaches the effective use of mathematical differentiation in machine learning. In order to visually explain the entire operation process of gradient descent, we implement gradient descent SW in a spreadsheet. In this paper, first, a two-variable gradient descent training method is presented, and the accuracy of the two-variable data prediction model is verified by comparison with the error least squares method. Second, a three-variable gradient descent training method is presented and the accuracy of a three-variable data prediction model is verified. Afterwards, the direction of the optimization practice for gradient descent was presented, and the educational effect of the proposed gradient descent method was analyzed through the results of satisfaction with education for non-majors.

주제어

표/그림 (12)

그림 그림 1. SW 전수조사 해찾기에 의한 2변수 모델 최적화 Fig. 1. Optimization of a two-variable model by a SW full search solver.
그림 그림 2. 경사하강법에 의한 2변수 모델 최적화 Fig. 2. Optimization of a two-variable model by gradient descent.
그림 그림 3. 경사하강법에 의한 2변수(a_i, b_i) 수렴 그래프 (i=179) Fig. 3. Two-variable (a_i, b_i) convergence graph by gradient descent (i=179)
그림 그림 4. 경사하강법에 의한 2변수 편미분갑, 변수값, 오차제곱값 수렴 그래프(i=179) Fig. 4. Convergence graph of 2-variable partial differential, variable value, and error squared value by gradient descent (i=179).
그림 그림 5. SW 전수조사 해찾기에 의한 3변수 모델 최적화 Fig. 5. Optimization of a three-variable model by a SW full search solver.
표 표 1. 2변수 경사하강법 모델의 비교 검증 Table 1. Comparative verification of two-variable gradient descent model
그림 그림 6. 경사하강법에 의한 3변수 모델 최적화 Fig. 6. Optimization of a three-variable model by gradient descent.
그림 그림 7. 경사하강법에 의한 3변수 편미분갑, 변수값, 오차제곱값 수 렴 그래프 (i=170) Fig. 7. Convergence graph of 3-variable partial differential, variable value, and error squared value by gradient descent (i=170).
그림 그림 8. 경사하강법에 의한 예측 모델 최적화를 위한 실습 방향 Fig. 8. Direction of practice for optimizing predictive models by gradient descent.
표 표 2. 3변수 경사하강법 모델의 비교 검증 Table 2. Comparative verification of three-variable gradient descent model
표 표 3. 비전공자 학부생 대상 교육 만족도 조사 결과(40명) Table 3. Results of satisfaction survey for non-major undergraduate students
표 표 4. 비전공자 현직교사 대상 교육 만족도 조사 결과(40명) Table 4. Satisfaction survey results for current teachers of non-majors

참고문헌 (13)

Ministry of Science and ICT, The 4th Industrial Revolution in History, R & D KIOSK, No. 40, September 2017.
Ministry of Science and ICT, The Various Aspects of the Fourth Industrial Revolution, The Realized Future, R & D KIOSK, no. 41, October 2017.
J. Y. Kim, Hello Data Science, Seoul : Hanbit Media, 2016.
J. K. Kwon, Learning Data Science, Seoul : Jpub, 2020.
U. Ichiro, N. Hiroaki, A. Masami, and M. Eichi, Learning Data science with Excel, Seoul : Hanbit Media, 2020.
Ministry of Science and ICT, Beyond an IT Powerhouse to an AI Powerhouse, Report Material, 2019.
Joint Ministries, Artificial Intelligence National Strategy, Report Material, 2019.
Y. J. Jang, "Searching for the direction of data science education in the era of the 4th industrial revolution," Integrated Humanities Research, vol. 9, no.10, pp. 155-180, 2017.
Y. S. Park and S. J. Lee, "Study on the direction of universal big data and big data education-based on the survey of big data experts," Journal of the Korean Association of Information Education, vol. 24, no. 2, pp. 201-214, 2020.
Y. M. Kim and J. H. Kim, "Effect of data science education program using spreadsheet on improvement of elementary school computational thinking," Journal of the Korean Association of Information Education, vol. 21, no. 2, pp. 219-230. 2017.
J. S. Lee, "A study on visualization methods and expressions of information design for big data, basic formulation studies," Korean Society of Basic Design & Art, vol. 14, no. 3, pp. 261-269, 2013.
K. Hur, "Curriculum of basic data science practices for non-majors," Journal of Practical Engineering Education, vol. 12, no. 2, pp. 265-273, 2020.
W. Yoshiyuki and W. Sadami, Machine Learning with Excel, Seoul : Seongandang, 2021.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증