*승* 스토어

*승*

개인

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

12개
전체 판매량

116개
최근 3개월 판매량

0개
자료후기 점수

평균A
자료문의 응답률

0%

전체자료 12개

[선택교양] 나무를 심은 사람 / 톰썸의 모험 / 담배를 끊는 25가지 방법 / 독립애니메이션 평가A+최고예요

{{게임과에니메이션 김계중교수님{KONKUKUNIVERSITYINDUSTRIALENGINEERING 991925CHOISEUNG-HO{REPORT(독립 에니메이션 감상문)< 순 서>1. As Man Who Planted Trees2. The Secret Adventures of Tom Thumb3. 25 Ways To QuIt SmokIng4. 독립애니메이션교 과 목게 임 과 에 니 메 이 션담당교수김 계 중 교 수 님소 속공 과 대 학 산 업 공 학 과학 번9 9 1 9 2 5이 름최 승 호이 메 일overidea@dreamwiz.com{KONKUKUNIVERSITYINDUSTRIALENGINEERING 991925CHOISEUNG-HOAs Man Who Planted Trees (나무를 심은 사람)- 스토리를 중심으로이 름 : 최 승 호학 번 : 9 9 1 9 2 5학 과 : 산업공학과따뜻한 날 그늘에 누워 한참 낮잠을 자고난 기분이다. 부드럽고 온화한 바람과 함께, 그다지 어수선할 것 없는 고요함과 차분함에 단잠 자고 일어난 모양이다. 그러한 모양이다.이 애니메이션은 20세기 프랑스 문학의 1인자로 꼽히는 장 지오노의 나무를 심은 사람 이라는 책에 프레데릭 백의 그림이 결합되어 As Man Who Planted Trees 라는 제목으로 1987년에 탄생한 작품이다. 또한 이 애니메이션은 같은 해에 아카데미상 단편상을 수상했다고 하니 얼마나 훌륭한 작품인지 이야기하여 무엇하리……. 그러하지만 애니메이션을 보고 아직까지 그 영상과 이야기가 마음에 남에 있는지라 내용과 더불어 영화를 본 느낌을 이야기 하고자 한다.이 애니메이션은 나 라는 화자를 통해 전체의 이야기를 이끌어 나아가고 있으며, 황무지에서 시작한다. 황무지에서 고생 끝에 겨우 찾은 마을에는 동물도 한 마리도 살지 않고 물도 없었는데, 우연히 양치는 한 노인을 만나게 된다. 그 노인의 도움으로 나 는 노인의 집에서 물과 스프를 먹고, 잠자리도 거기서 청하게 되는데, 그 노인의 기이한 행동-좋은 도토리델링과 다양한 색채 구사가 용이하다는 게 특징이다. 보통 인형의 움직임은 1초에 15프레임 정도를 촬영하고 장면에 따라 프레임이 늘어날 수도 있고, 줄어들 수도 있다는 점에서 셀 애니메이션과 비슷하다.하지만 클레이 애니메이션은 셀 애니메이션이나 컴퓨터 애니메이션에서 느낄 수 없는 공간감과 입체감을 선사할 뿐 아니라 자연소재인 점토를 이용해 사람들에게 보다 친근감을 주는 매력을 갖고 있다. 그림체 애니메이션과 클레이 애니메이션을 구분하는 또 다른 특징은 그림체 애니메이션의 생명이 선맛 이라면 클레이는 손맛 에서 찾을 수 있다. 따라서 그림체 애니메이션의 경우 애니메이터의 그림 솜씨가 작품의 질에 직접적인 영향을 미치지만 클레이 애니메이션에서는 애니메이터가 얼마나 캐릭터 모델링을 잘 소화해내느냐에 따라 자연스러운 작품이 만들어지게 된다.{) 애니기법-클래이 애니메이션, 애니사전, 애니지기, 네이버 카페http://cafe.naver.com/anizigi.cafe?iframe_url=/ArticleRead.nhn%3Farticleid=37즉, 클레이 애니메이션의 가장 큰 장점은 보는 사람들에게 보다 친근감 있게 다가간다는 것이다. 이 애니메이션에서 보여주는 배경이나 장면은 친근하다는 것과는 거리가 멀다. 정교하고 사실적인 세트를 정상적인 사람이라면 도저히 살지 못할 환경처럼 지저분하게 꾸미고, 벌레로 도배를 한 배경을 중심으로, 이 애니메이션의 유별나고 독특한 캐릭터와 암울한 분위기는 시간이 멈추어진 것처럼 괴기함이 넘치는 이상한 나라를 창조해내고 있다. 이 애니메이션은 지금까지 보아온 많은 클래이 애니메이션과는 정반대 선상에서 이야기한다.그 중심에 큰 비중을 차지하는 등장인물이 바로 톰 썸의 아버지다. 톰 썸의 아버지는 가난에 찌든 어두운 마을에서 여느 사람들과 마찬가지로 무기력하고 비참한 모습으로 살아간다. 그러나 톰이 태어나면서 아버지도 다른 사람으로 변화하게 된다. 톰을 위해서 버려진 인형의 가구이며 옷가지를 찾는 모습에서 희망-톰의 탄생으로 인하여 톰의 아피지 않는다. 피고 있다가 끊은 것도 아니고 담배연기가 싫어서 담배를 처음부터 피지 않았다. 그렇기 때문에 담배를 끊는다는 것이 어떤 것인지 잘 알지 못한다. 그렇기 때문에 담배를 전혀 모르는 내가 이 단편 애니메이션에 대하여 글을 쓴다는 것 자체가 조금은 부담스럽기도 하다. 하지만 아직까지도 단편이 기억에 남기 때문에 여기에 관해 이야기해보려 한다. 덧붙이자면, 빌 플림튼의 작품 성향이 어떠하고, 표현 방식이 어떠하고 하는 성격이나 기술·기법적인 이야기는 접어두고, 그가 유머를 통해서 보여준 담배를 끊는 25가지 방법 에 대하여 살펴보면서, 그가 이야기 하고자 하는 바가 무엇인지에 대하여 정신분석학적으로 접근하여 해석하여 보고자 한다.프로이트의 농담과 무의식의 관계 라는 논문이 있다.{) 농담과 무의식의 관계, 프로이트 저, 윤희기 역, 열린책들, 1997. 12다른 글들에서는 볼 수 없는 많은 예화들과 프로이트 당시의 농담들이 수록되어 있는 이 글은 단순하고 아무것도 아닌 것처럼 느껴지는 농담 이라는 영역에 대하여 그 심리적 활동과 쾌락을 얻을 수 있는 기제는 무엇인지 시원스럽게 밝혀 주고 있다.이 글에서는 농담의 본질과 위상에 관한 연구가 충분히 진행되지 않았다는 것을 밝히면서 프로이트는 시인 장 파울, 립스, 쿠노 피셔, 테오도르 피셔 등이 그나마 농담에 대한 연구를 했던 저술가들이라고 밝히고 있다. 그러나 그들의 연구는 농담보다는 주로 더 포괄적인 희극 의 문제를 다루고 있다. 이에 따라 프로이트는 농담이 심혈을 기울여 연구할 가치가 있느냐는 의문을 과감하게 반박하면서 농담이 사회 속에서 얼마나 독특하고 매혹적인가, 농담의 기능과 기술적인 문제에 대해서 어떠한 통찰을 해야 하는가를 심도 있게 밝히고 있다.농담의 기술에는 합성어를 만들거나 단어를 변형시키는 압축, 순서를 바꾸거나 단어를 그 의미 그대로나, 허사로서 사용하는 동일한 소재의 다양한 사용, 어떤 단어를 은유적 의미와 실제적 의미로 함께 사용하거나 암시 효과를 갖도록 사용하고, 또는 불확실하게방법을 유머를 통해 표현해 냄으로써, 담배를 끊는 것에 대한 고통을 유머로서 승화시키고 있으며, 이를 통하여 심리적 경감을 가져온다. 또한 더 나아가 담배를 끊는 것이 죽는 것만큼 고통스럽다는 것을 이야기함으로써 반어적으로 담배를 피는 것이 더 나을 수도 있음을 보여주고 있다고 볼 수 있다.독립애니메이션- 한국 인디 애니메이션 워크샵 : 한국 인디 애니메이션 다시 그리기{) 독립 애니메이션의 지형에 대한 정책적 고찰 2, 김태형, 2002 전주 국제영화제, (사)한국독립영화협회이 글은 2002년 애니메이션 부문 세미나 때 발제한 동제 하의 발제문을 토대로 일부 수정 보완된 글임을 밝힙니다.이 름 : 최 승 호학 번 : 9 9 1 9 2 5학 과 : 산업공학과한국에 독립 애니메이션은 존재하는가?1980년대 초중반 이후 한국의 영화계에는 비주류적 감성과 이데올로기로 주류 영화의 해묵은 관습과 영화적 장치를 일탈하는 일단의 경향이 존재하고 있다. 이른바 독립 영화계, 독립 영화 진영으로 일컬어지는 이들 창작집단들은 그들 스스로를 독립 영화인 , 독립군 이라 호명하지 않는다 해도 명확하게 주류 영화계와 대별되는 자신들의 정체성을 보유하고 있는 것처럼 보인다. 그들의 다르게 호명하기 방식이 초저예산의 제작비와 최소한의 스텝과 배우, 35mm 필름 매체에 대비되는 디지털 카메라의 사용과 일정한 함수관계를 이루고 있는 것도 어느 측면에서는 대안적 영화 시스템의 일면을 드러내는 단초로 작용하기도 할 것이다.그러나, 점차 독립 영화 창작주체들의 경계 허물기는 적어도 그들이 발 딛고 선 자리에서뿐만 아니라 기존 주류 영화계의 시스템으로까지 확대되어 현재에 이르고 있는데, 이는 단지 독립 영화계 출신 스타 감독들의 충무로 진출 현상만을 가지고 평가할 수 없는 대목이다. 무엇보다도 한국의 영화 관객들이 그러한 변화를 기다려 왔고, 대안의 가치를 무겁지 않게 수용할 수 있는 여유가 형성되어 온 과정과 이는 무관하지 않다.하지만, 1990년대 초중반에 시작된 한국 독립 애니메이션의 을 것이다. 그런데, 문제는 지원 기관의 다양함으로 인해 발생하는 지원 시스템의 분산화, 지원 사업의 중복 등 정책 조정을 통해 극복해야 할 과제가 여전히 해소되지 않은 채 지속되고 있다는 점에 있다.이를 간단명료하게 표현하자면, 실사 영화에 관한 문제들은 (적어도 공적인 역할에 있어서) 영화진흥위원회 로 집중되는 체계로 되어 있지만, 애니메이션에 관한 문제들은 지원 기관들이 이러저러하게 존재함으로 인해서 분산되는 체계로 되어 있다는 얘기다. 그렇기 때문에, 굳이 중복해서 사업을 진행할 필요가 없음에도 불구하고 각 기관이 별개로 사업을 추진하다보니, 어떤 한 영역에 대한 예산상의 중복이 또 다른 영역에 있어서의 예산의 부족이나 부재를 야기할 가능성도 배제할 수 없는 것이다. 사실 이러한 혼선이 야기되고 있는 배경에는 애니메이션계의 전략적이고 정책적인 개입 이 실사 영화계와 비교할 때 상대적으로 미약했던 점도 존재한다. 지원 시스템의 효율화와 안정적 구축의 과정에는 몇몇 애니메이션 전문가가 각 지원기구들에 자문 형태로 참여하는 방식만으로 해결할 수 없는 틈이 존재할 수밖에 없다. 그 틈을 메우기 위해 관련 단체나 중소규모 커뮤니티(< 애니마 포럼 > 준비위, < 인디 아니마 > 등)의 의견 개진이 요구되는 것은 지극히 자연스런 귀결일 것이다.이상의 간략한 서술만으로 현재의 애니메이션 지원 정책을 완전히 지도 그릴 수는 없겠지만, 정리하자면 애니메이션 분야 전체에 대한 지원 시스템의 현황과 그 안의 문제가 유치산업인 애니메이션 분야를 산업적인 경쟁력을 갖추도록 만들기 위한 과도기적 단계에서 발생하고 있는 현상이라는 분석이 가능할 것이다. 산업으로서의 인식론에서 출발한 애니메이션 분야 지원 정책이 혼선을 빚고 있기는 하지만, 적어도 효율성과 안정성을 기대할 여지는 여전히 남아 있다는 점에서 아직 절망할 단계는 아니라고 볼 수 있다는 얘기다.다만, 위에서 언급한 바와 같은 정책적인 조정과 개입의 과정은 여전히 필요할 수밖에 없고, 그렇게 되어야만 방송용/극장용/OVA

독후감/창작| 2005.05.18| 14페이지| 1,000원| 조회(878)

나무를심은사람, 독립애니메이션, 빌플림튼, 프레데릭백

미리보기

닫기
[데이터마이닝] [데이터마이닝]Measuring Distance / Clustering rule

{DATAMINING PROF:PH.D.JOSUNG-BIN{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO{REPORT(Data Mining : Measuring Distance){교 과 목데이터 마이닝담당교수조 성 빈 교수님소 속공과대학 산업공학과학 번9 9 1 9 2 5이 름최 승 호이 메 일overidea@dreamwiz.com{차 례1. Introduction 12. What is Clustering Analysis 13. Measuring Distance 34. Conclusion 95. SAS in E-Miner : Clustering node 126. Reference 207. Attach printed output 21{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HOIntroduction군집화란 데이터들을 유사한 특성을 지닌 몇 개의 소그룹으로 분할하는 작업을 뜻한다. 작 업의 특성이 분류작업과 흡사하다고 생각할 수 있으나, 분석하고자 하는 데이터에 부류가 포 함되어 있지 않다는 점에서 차이가 있으며, 다른 데이터마이닝 작업을 위한 선행작업으로서 의 역할을 수행하는 경우가 많다. 예를 들어, 어떤 백화점에서 고객을 효율적으로 관리하기 위해 고객들을 몇 개의 부류로 구분하려 한다고 가정해 보자. 이 백화점에서는 지금까지 고 객의 최근 구매경력, 구매빈도, 구매액 등을 기준으로 고객을 VIP고객, 우수고객, 일반고객으 로 분류하여 관리하였다. 그러나 이벤트나 프로모션 대상을 선정하는데 있어 현재의 고객부 류는 너무나 추상적이고 고객의 개인별 특성을 전혀 고려하지 못하고 있어 활용도가 그다지 높지 않다. 고객의 구매이력 뿐만 아니라 인류통계학적 데이터, 라이프 스타일 데이터, 그리 고 지불유형 등의 다양한 데이터에 군집화 기법을 이용하여 몇 개의 군집을 나눌 수 있다. 그 군집 중 다음과 같은 군집이 있다고 하자.- 소득이 200만원 이상이고, 자녀가 없으며, 연령이한 개념을 갖지 않더라도 2차원 또는 3차원 상에서는 육안으로 대상들을 군집화할 수 있다. 유사한 대상들을 군집화 하고 이상치를 찾아내기 위해 고차원 자료를 이차원 상에 나타내는 그래픽 기법들이 최근 개발되어 있기도 하다.유사성측도복잡한 자료 집합에서 간단한 군집 구조를 만들어 내기 위해서는 근접성(closeness) 또는 유 사성 측도가 필요하다. 유사성 측도의 선택은 매우 주관적이다. 변수의 성질(이산, 연속, 이항) 또는 측정척도(명목, 순서, 구간, 비) 및 주제 관련 지식 등을 고려해야 한다. 항목(개체 또는 사 례)들이 군집화 될 때 근접도는 일종의 거리에 의해 나타내 진다. 반면에 변수들은 상관계수 또 는 연관성에 대한 유사성 측도에 의해 통상 군집화가 이루어진다.항목 쌍에 대한 거리 및 유사성 계수{p`차원 상의 두 관찰값 {boldx`=(x_1`,x_2`,cdots,x_p`)`와 {boldy`=(y_1`,y_2`,cdots,y_p`)`간의 유클리드 거리는{d(boldx`,boldy`)`&=&sqrt{(x_1`-y_1`)^2`+(x_2`-y_2`)^2`+cdots+(x_p`-y_p`)^2`}##&=&sqrt{(boldx`-boldy`)^'`(boldx`-boldy`)}와 같이 정의된다. 또한 통계적 거리는{d(boldx`,boldy`)`=`sqrt{(boldx`-boldy`)^'`boldA`(boldx`-boldy`)}`와 같이 정의되는데 보통 표본 공분산 행렬 {boldS`에 대해 {boldA`=boldS`^-1`로 택하게 된다. 상이한 군집들 에 대한 사전 지식이 없다면 이러한 표본 측정값을 얻을 수 없으므로 군집분석에 있어서 통계적 거리에 비해 유클리드 거리를 선호하게 된다. 또 다른 거리 측도인 민코프스키(Minkowski) 거리 는{d(boldx`,boldy`)`=`[ SUM from { { i}=1} to p`|`x_i`-y_i`|`^m`]^1/m`와 같이 정의되며 {m=1`인 경우 {d(boldx에 가깝게 나오는지 확인을 해보았다. 식은 각 각 다음과 같다.=INDEX(MINVERSE(G17:I19),1,1)=MMULT($G17:$I17,G$23:G$25)이 Covariance Inverse 3X3행렬을 이용하여 Mahalanobis distance matrix를 구하였다. 식은다 음과 같으며, 거리의 값은 소수점 4자리까지 표현하였다.=SQRT(MMULT($B$33:$D$33-$B33:$D33,$G$23:$G$25)*($B$33-$B33)+MMULT($B$33:$D$33 -$B33:$D33,$H$23:$H$25)*($C$33-$C33)+MMULT($B$33:$D$33-$B33:$D33,$I$23:$I$25)*($D$ 33-$D33)){{{{{Conclusion지금까지 데이터마이닝에서 반드시 알아야할 기법 중 한가지 형태인 군집분석이 무엇인가 에 대하여 알아보았고 실제 데이터를 가지고 군집분석에서 기본이 되는 거리를 구해보았다. 유클리디안 거리는 단순 벡터의 거리를 나타내며 이를 일반화시킨 거리가 민코우스키 거리 (Minkowski distance)이다. 그러나 이 두 가지로 거리를 측정한다는 것은 한계가 있다. 위의 거리 측정 가, 나에서 보았듯이, 각 변수의 단위가 바뀌게 되면 거리 자체가 완전히 바뀌며 또한 거리상의 상대적 거리의 값 또한 변하게 된다. 따라서 이를 표준화시키고 더 정확하게 측정할 수 있는 거리 측정 방법이 필요한데 이것이 마할라노비스 거리 (Mahalanobis distance)이다. 그러나 이는 계산이 복잡한 단점이 있어 일반적으로 거리를 측정하는데 가장 많이 사용되는 것은 유클리디안 거리라고 한다.앞에서도 보았듯이, 객체간의 유사성의 정도를 정량적으로 나타내기 위해서 척도가 필요하 다. 이때, 가장 보편적으로 많이 사용되는 것이 거리 (distance)인데 거리와 같이 클수록 유사 성이 적어지는 척도는 보다 엄밀하게 비유사성 척도 (dissimilarity measure)라 한다.각 객체가 p개의 속성 또는 변수 (variaidation : Validation Data set을 선택한다.·Test : Test Data set을 선택한다.·Score : Score Data set을 선택, Score Data set의 경우 적합된 모델을 적용하는데 사용된다.Details :·Select : 선택된 Data set이외에 다른 Data set을 선택할 수 있다. 다른 Data set을 선택하기 위해서는 2개 이상 Data set이나 Input Data Source node가 있어야 한다.·Properties : 현재 선택된 Data set의 Information과 Table을 보여준다.{Variables 탭Variables 탭에서는 Name, Status, Model Role, Measurement, 기타 속성(attribute)을 볼 수 있다.{Standardization :·None : 변수의 값을 표준화하지 않는다.·Range : 변수의 값을 Range로 나눈다. 단, 중심화(Centering)는 하지 않는다.·Std Dev : 변수의 값을 표준편차로 나눈다. 단, 중심화(Centering)는 하지 않는다.다음은 Variables 탭에서 볼 수 있는 주요폴드이다.·Name 폴드 : 변수명·Status 폴드 : 분석에 사용될 변수를 선택, "use"와 "don't use"로 구분된다. 디폴드로는 Model Role가 "Rejected"인것을 제외한 모든 변수가 "use"로 되어있다.=> 분석에서 제외할 변수 선택 절차1. 제외할 변수를 선택한다(만약 제외할 변수가 NO_ATBAT라면 NO_ATBAT열의 Status 행에다 마우스의 커서를 놓은후 클릭한다)2. 마우스의 오른쪽 버튼을 누르면 pop-up 메뉴가 나타난다.3. pop-up 메뉴에서 "Set Status"를 선택하면 두 번째 pop-up 메뉴가 나타난다.4. 두 번째 pop-up 메뉴에서 "dont' use"를 선택한다.※ "don't use"에 해당하는 변수는 분석에 사용되지 않으나 Data set에는 남아있다.·Mode=2(고정), Number of bin=100(고정)Initial탭 => Minimum distance between seeds(radius)=0, Seed replacement=FullFinal탭 => Maximum number of iterations=1(고정), Convergence Criterion=0.00,Minimum Cluster Size=.- Least Squares : 관찰치와 군집내 평균까지 거리의 제곱합을 최소화하여 군집General탭 => pth power=2(고정), Number of bin=100(고정)Initial탭 => Minimum distance between seeds(radius)=0, Seed replacement=FullFinal탭 => Maximum number of iterations=10, Convergence Criterion=0.02,Minimum Cluster Size=.- Newton :General탭 => pth power=2.001(2 Maximum number of iterations=20, Convergence Criterion=0.02,Minimum Cluster Size=.- Midrange : 군집내 평균으로부터 가장 작은 midrange(범위의 중앙)에 근거하여 군집화General탭 => pth power=., Number of bin=100(고정)Initial탭 => Minimum distance between seeds(radius)=0, Seed replacement=FullFinal탭 => Maximum number of iterations=20, Convergence Criterion=0.02,Minimum Cluster Size=.Initial 탭 : 군집seed의 갱신이나 대체하는 방법들을 선택한다.{·Update cluster seed with cluster mean : 군집seed값을 군집의 평균값으로 갱신하는 옵션으로 Clustering criterion 방법 중 Least Sut 탭

공학/기술| 2004.12.22| 23페이지| 1,000원| 조회(917)

SAS, CRM, 데이터마이닝, Clustering Analysis, e-min..

미리보기

닫기
[데이터마이닝] [데이터마이닝]Data Mining with E-Miner : for Bank Service : Association Rule

{DATAMINING PROF:PH.D.JOSUNG-BIN{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO{REPORT(Data Mining with E-Miner : for Bank Service){교 과 목데이터 마이닝담당교수조 성 빈 교수님소 속공과대학 산업공학과학 번9 9 1 9 2 5이 름최 승 호이 메 일overidea@dreamwiz.com{차 례1. Explanation of 13 service 12. 10 rule with your reasoning 33. Attach printed output : 별 첨 74. Process of Using Data File in SAS & E-Miner 75. What is Data mining? 106. Reference 16{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HOExplanation of 13 service (each with approximately 3 line)ATM(ATM Cards) : 현금자동입출금 카드우리나라의 현금카드와 비슷한 것으로 ATM을 사용해서 입금, 인출, 잔액 확인 등의 서비스를 받 을 수 있다. 네 자리의 비밀번호 (PIN: Personal Identification Number)를 사용해서 위의 서비스 를 받는다.AUTO(Automobile Installment Loan) : 자동차 할부 대출자동차 구입을 위한 융자로 최대기간은 4년이며 융자금액의 20%를 첫 할부금으로 지불해야 한 다. 융자 자격여부는 신청자의 직장수입, 경력, 신용도, 한 집에서 산기간 등에 의해 결정된다. 신 청에 필요한 기본서류는 신청서, 개인 재무제표, 지난 2년간의 소득신고 사본, 구입 계약서, 보험 증서 등이다.CCRD(Credit Card) : 신용카드상업·금융 기관 및 신용판매회사가 일정한 자격을 갖춘 고객에게 발행하는 카드. 신용카드는 사 전에 체결된 계약에 따라 카드를 발행하는 업자와 가맹점이 소비안 사용치 않을 돈의 여유가 있을 때 Checking Account 보다 이자가 높으므로 Savings Accounts를 여는 것이 좋다.TRUST(Personal Trust Accounts) : 개인 신탁신탁은 고객이 은행 또는 투자신탁 / 증권사에 맡긴 돈으로 수익증권(주식, 채권, 국공채 등) 또 는 기업어음 등에 투자하여 운영하여 발생한 수익을 고객에게 지급하는 것을 말한다. 투자한 돈 의 운용방법에 따른 상품의 고객 선택이 가능하다. 단, 수익이 발생할 경우도 있고 원금 손실이 발생할 수도 있다. 특별한 경우 원금보장형으로 원금의 완전한 보장이 이루어지는 것은 아니나 손실의 가능성이 낮은 것도 있다. 은행에서 실시하는 개인신탁의 업무는 개인신탁업무는 개인에 대한 신탁서비스를 가리키며 주로 개인신탁부문에서 시행되는 것으로 신탁업무 외에 대리업무도 포함되는데, 유산의 처리(settlement of estates), 후견(guardianship), 개인신탁(personal trust)으로 서 유언신탁(testamentary trust)·생전신탁(living trust)·법원의 명령에 의한 신탁(trust by order of court)·공동신탁기금(common trust fund), 개인대리(personal agency)로서 관리인 (custodian)·관리대리인(managing agent)·사실대리(attorneyship in fact)·에스크로 대리 (escrow agency)·법정재산관리인업무(depositary under order of court) 및 재산계획(estate planning)업무 등이다.10 rule with your reasoningE-Miner에서 찾아낸 관련 규칙은 총 112개였다. 그 중 Transaction Frequency가 1500이상 인 것은 12경우이며, 그 중 Lift가 1.10이상인 것은 총 8개이다. 따라서 그 세 가지 조건을 만 족하는 규칙이 10가지가 되지 않으므로 Transaction Frequency가 ft1.12Support14.85Confidence95.96신용카드 서비스를 이용하는 고객은 당좌예금 서비스를 이용한다. 신용카드를 사용하는 고객은 은행에서 일정기간 이상의 거래를 통해 신용을 쌓은 고객이다. 미국에서 신용카드는 현금을 대신 하는 결제의 기능뿐만 아니라 신분증의 구실도 한다. 따라서 신용카드의 발급 기준이 비교적 엄 격한 편이다. 특히 얼마나 잘 갚는가에 대한 신용도가 중요하다. 따라서 신용 거래가 없거나 신용 도가 낮은 고객이 카드를 받으려면 보증인을 세우든지, 어느 정도 돈을 구좌를 열고 넣어 두어야 한다. 따라서 특별한 상황이 아닌 이상 기본적으로 신용카드를 가지고 있는 고객의 경우 당좌예 금 서비스를 이용하고 있다. 그렇기 때문에 신용카드를 사용하려는 고객의 대상으로 당좌예금서 비스 상품을 추천을 할 경우 효과적일 것으로 예상되며 또한 신용카드만을 가지고 있는 고객을 대상으로 신용카드를 통한 소비 뿐만아니라 소비의 다른 형태로 수표 이용할 수 있도록 당좌예금 서비스 상품을 추천할 경우에도 효과적일 것으로 예상된다.Rule #6 : CKING & CD ==> SVG{Lift1.10Support14.25Confidence67.92당좌예금 서비스를 이용하면서 양도성 예금증서를 이용하는 고객은 저축 예금서비스를 이용한 다. 양도성 예금증서는 우리 나라의 정기예금과 비슷하며 통장이 아닌 예금증서를 발행해주는 형 태를 가진다. 또한 무기명에다 만기전이라도 유통시장에서 얼마든지 매매가 가능하기 때문에 거 액을 단기로 굴리는데 적합하다. 따라서 비교적 여유자금이 있으며 어느 정도 수준의 소비를 하 는 고객이 여유자금을 투자하기 위해서 사용하는 형태의 서비스 중의 하나가 양도성 예금증서라 고 할 수 있다. 따라서 이러한 고객의 경우 경제적으로 어느 정도 여유가 있기 때문에 당좌예금 서비스와 양도성 예금증서를 이용하면서 저축예금을 갖는다. 결국 이 경우에서도 마찬가지로 당 좌예금 서비스와 양도성 예금증서 서비스를 이용하려 하는 고객을 대상으로 저축예금 서sociation 노드를 드래그하여 두 개를 서로 연결시커 분석 흐름도를 위와 같이 작성한다.데이터 라이브러리를 설정SAS 환경의 라이브러리에 BNKSERV파일이 존재하여야 한다. 존재하지 않을 경우 먼저 탐색 기 창에서 활성라이브러리로 들어가 마우스 오른쪽 버튼을 눌러 새로만들기를 한 후 이름(abc)과 경로를 정해준다.{Input Data Source 노드를 열면 위와 같은 화면이 나오게 된다. 위에서 BNKSERV파일의 경로 를 지정해 준다. Variables 탭에서 변수 ACCT의 Model Role은 Id로 설정하고 SERVICE는 Target로 설정한다. 창을 닫을 때 저장을 여부를 물으면 Yes를 누른다.Association Rule 설정아래의 그림과 같이 Association 노드를 열어 General 탭을 눌러보면 대화상자의 Analysis mode에 두 가지 연관성 분석의 형태를 결정하는 화면이 보이는데 기본값으로 정해져 있는 By Context는 Input Data Source 노드를 통해 분석의 형태가 결정되는 것을 의미한다.{Minimum Transaction Frequency to Support Associations, Maximum number of items in an association, Minimum Confidence 등은 의미있는 연관성 규칙을 찾기 위해 신뢰도, 비도, 지지도 의 하한을 정의하는 것이다. 다음으로 Processing Options 대화상자는 계산될 연관규칙의 최대값 과 결과의 정렬여부에 대해 선택할 수 있는 옵션을 포함한다. Sequences, Time Constraints 탭은 회색으로 반전되어 있는데 이는 시차 연관성 분석에 사용되는 탭이다.여기서는 Maximum number of items in an association 값을 3으로 한다. 창을 닫을 때 저장한 다.결 과결과를 살펴보면 각 규칙에 포함된 품목의 개수별 신뢰도의 크기 순으로 정렬되어 있음을 알 수 있다.{결과를 더욱 다양하게 관찰하기 터 마이닝을 적용할 수 있는 영역과 목적에 대한 이해 증진대상이 되는 데이터의 선정과 수집, 데이터의 통합과 검토데이터의 클리닝, 사전처리 및 변환,모델개발 및 가설 구축,적절한 데이터 마이닝 알고리듬 선정,결과해석 및 시각적 제시,결과 검증 및 타당화,발견된 자료의 활용.위의 8가지 과정 중 3번부터 7번이 데이터 마이닝에서 수행하는 과정이다. 밀러아들 예의 경우, 고객관리가 주목적(1번)이고, 이를 위하여 바코드의 도입과 이의 결과로 거대한 데이터베이스가 생성되었다(2번). 이 거대자료를 3번부터 7번의 데이터 마이닝 기법을 통하여 분석한 결과 고객의 여러 가지 정보(컴퓨터와 소프트웨어의 관계)를 얻고, 이 정보를 마케팅과 연결(8번 과정)하여 많 은 이익을 보았다.밀러아들 예에서 나온 컴퓨터와 소프트웨어와의 관계는 거대자료의 분석 없이도 누구나 경험과 논리를 바탕으로 쉽게 예상할 수 있다. 데이터마이닝의 주목적은 이러한 단순한 정보 이외에 인 간의 경험이나 논리로는 알 수 없었던 새로운 사실의 발견에 있다. 예를 들면, 슈퍼마켓의 판매물 품자료 분석을 통하여 맥주와 아기기저귀와 강한 상관성(맥주를 사는 고객이 기저귀를 살, 또는 그 반대로 기저귀를 사는 고객이 맥주를 살, 확률이 높다)이 있음을 알 수 있었다. 특히, 금요일 저녁의 고객에게서 이러한 상호 연관성이 강하게 나타났다. 이 새로운 정보는 일반 상식으로는 알 수 없는 새로운 정보이며, 이 정보를 먼저 찾아낸 슈퍼마켓 주인은 경쟁상대보다 더 좋은 서 비스를 고객에게 제공할 수 있다.The key to success in business is to know something that nobody else knows - Aristotle Onassis.현재 데이터 마이닝의 관심이 고조되는 이유{) Discovering Data Mining- from concept to implementation, P. Cabena, P. Hadjinian, R. Stadler, J. Verhees and A. Zan 다.

공학/기술| 2004.12.22| 18페이지| 1,000원| 조회(782)

SAS, CRM, 데이터마이닝, e-miner, Association rule

미리보기

닫기
[데이터마이닝] Clustering Analysis(군집분석)

{DATAMINING PROF:PH.D.JOSUNG-BIN{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO{REPORT(기말시험 : Clustering Analysis){교 과 목데이터 마이닝담당교수조 성 빈 교수님소 속공과대학 산업공학과학 번9 9 1 9 2 5이 름최 승 호이 메 일overidea@dreamwiz.com{차 례I. 서 론 1II. 본 론 2III. 결 론 11IV. 참고자료 12V. Attach printed output 13{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO서 론하나의 객체(object)가 일정한 수의 속성(attribute)을 갖는다고 하고 이러한 객체가 다수 있다고 할 때, 군집분석이란 유사한 속성들을 갖는 객체들을 묶어 전체의 객체들을 몇 개의 그룹 또는 군집 (cluster)으로 나누는 것을 말한다. 예를 들어, 회사에서 관리하는 고객들에 대하여 구매 행태를 반영하는 속성들에 대한 데이터가 수집된다고 할 때 유사한 구매 행태 를 보이는 고객들을 서로 그룹핑하는 것을 군집분석이라 할 수 있겠다. 따라서 이 예의 경우 군집분석의 결과물을 가지고 서로 다른 그룹의 고객들에게 서로 다른 마케팅 전략을 수립하 는 것이 될 것이다.주어진 과제에서는, used the data file named "DUNGAREE" Perform clustering analysis using variables "FASHION, LEISURE, STRETCH, ORIGINAL", and do it again using transformed variables "LE_RATIO, ST_RATIO, FA_RATIO, SALESTOT" (just like we did in class).그 결과를 바탕으로,Find out how many stores are classified into the same clusters among 689 store between the two methods. Print out the store-ids with cluster ids.Interpret the results using decision tree algorithm, i.e., compare the characteristics of each cluster between the two methods.를 하도록 하겠다.본 론Clustering Analysis에 의한 결과값Using variables "FASHION, LEISURE, STRETCH, ORIGINAL"Partition{Variables{Distances{Profiles{Statistics{Output{Using variables "LE_RATIO, ST_RATIO, FA_RATIO, SALESTOT"Partition{Variables{Distances{Profiles{Statistics{Output{Find out how many stores are classified into the same clusters among 689 store between the two methods. Print out the store-ids with cluster ids.Ⅴ. Attach printed outputInterpret the results using decision tree algorithm, i.e., compare the characteristics of each cluster between the two methods.Using variables "FASHION, LEISURE, STRETCH, ORIGINAL"{FASHION, LEISURE, STRETCH, ORIGINAL의 변수를 가지고 군집분석을 하면 위의 Decision Tree와 아래의 회전도표에서 보는 것과 같이 세 개의 군집으로 형성됨을 알 수 있다.{먼저 군집분석의 결과로 규칙들 중 그 첫 번째를 보게되면, 다음과 같다.RULE#1IF STRETCH < 135AND LEISURE < 1980.5THENNODE : 4N : 451 : 100.0%2 : 0.0%3 : 0.0%위의 규칙을 만족시키는 상점은 총 45개로 이 상점은 모두 첫 번째의 클러스터에 속하게 된다. 이 규칙에서의 특징은 STRETCH의 평균은 444.04이고, LEISURE 평균은 1916.4임을 감안할 때, 비교적 STRETCH, LEISURE의 판매실적이 좋이 못한 상점이 클러스터 1에 군집하고 있음을 알 수 있다.RULE#2IF ORIGINAL < 1982.5AND 1980.5

공학/기술| 2004.12.22| 15페이지| 1,000원| 조회(1,040)

CRM, 데이터마이닝, 군집분석, Clustering Analysis, e-mi..

미리보기

닫기
[데이터마이닝] Neural Networks

{DATAMINING PROF:PH.D.JOSUNG-BIN{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO{REPORT(기말과제 : Neural Networks){교 과 목데이터 마이닝담당교수조 성 빈 교수님소 속공과대학 산업공학과학 번9 9 1 9 2 5이 름최 승 호이 메 일overidea@dreamwiz.com{차 례I. 서 론 1II. 본 론 2III. 결 론 8IV. 참고자료 9{KONKUKUNIVERSITYINDUSTRIALENGINEERING CHOISEUNG_HO서 론신경망(neural networks) 또는 인공신경망(artificial neural networks)에 관한 연구는 뇌 신 경생리학(neurophysiology)으로부터 영감을 얻어 시작되었다. 자료분석 분야에서 신경망은 복 잡한 구조를 가진 자료에서의 예측(prediction) 문제를 해결하기 위해서 사용되는 유연한 비 선형모형(nonlinear models)의 하나로 분류될 수 있다. 그러나 신경생리학과의 유사성 때문에 일반적으로 다른 통계적 예측모형에 비해 보다 흥미롭게 받아들여지고 있다. 신경망은 은닉 마디(hidden units)라고 불리는 독특한 구성요소에 의해서 일반적인 통계모형과 구별되어진 다. 은닉마디는 인간의 신경세포를 모형화한 것으로써, 각 은닉마디는 입력변수들의 결합 (combination)을 수신하여 목표변수에 전달한다. 이때 결합에 사용되는 계수들을 연결강도 (synaptic weights)라고 부르며, 활성함수는 입력값을 변환하고 이를 입력으로 사용하는 다른 마디로 출력하게 된다.따라서 이러한 논리를 바탕으로하여,Use the data file named "BUYTEST", The target variable is "RESPOND", which represents the responsiveness to the direct mail : 1 for respond and 0 for not respond. Use "AGE" and "INCOME" and "SEX" for input variables. Develop five different neural networks models that have different number of hidden layers and nodes. Choose the best model and interpret the result using decision trees.를 하도록 하겠다.본 론MLP 구조에 대한 간단한 이해신경망에는 여러 가지 다양한 모형이 있으나, 그 중에서도 자료분석을 위해 가장 널리 사용되 는 모형은 MLP(Multilayer Perceptron, 다층인식자) 신경망이다. MLP는 입력층(input layer), 은 닉마디로 구성된 은닉층(hidden layer), 그리고 출력층(output layer)으로 구성된 전방향 (feed-forward) 신경망이다. 아래 그림은 입력층, 2개의 은닉층, 그리고 출력층으로 이루어진 MLP 신경망의 구조이다.{MLP의 구조{입력층 : 각 입력변수에 대응되는 마디들로 구성되어 있다. 명목형(nominal)변수에 대해서는 각 수준에 대응하는 입력마디를 가지게 되는데, 이는 통계적 선형모형에서 가변수 (dummy variable)를 사용하는 것과 같다.은닉층 : 여러 개의 은닉마디로 구성되어 있다. 각 은닉마디는 입력층으로부터 전달되는 변수 값들의 선형결합(linear combination)을 비선형함수(nonlinear function)로 처리하여 출 력층 또는 다른 은닉층에 전달한다.출력층 : 목표변수(target)에 대응하는 마디들을 갖는다. 여러 개의 목표변수 또는 세개 이상의 수준을 가지는 명목형 목표변수가 있을 경우에는 여러 개의 출력마디들이 존재한다.Develop five different neural networks modelsModel 1{Model 2{Model 3{Model 4{Model 5{Choose the best modelAssessment Tool의 결과값을 이용한 비교{위의 데이터상에서 주어진 값의 차이는 거의 없다고 할 수 있으나 그 중에서 Model 2와 Model 4의 값이 비교적 우수하다Lift Chart를 이용한 비교{Lift Chart상에서 봤을 때 10-20% 구간에서는 Neural 3이 그 외의 구간에서는 Neural 4가 우수하다 고 볼 수 있다따라서 위의 두 결과를 종합하여 보았을 때, 가장 우수한 모델은 Model 4라고 할 수 있다.{Interpret the result using decision trees.ALL{Summary{Tree Ring{Table{Plot{Tree{결과 값과 Decision Tree를 보게되면, 나이가 50.5세 이상인 경우에 비해 50.5세 이하인 고객의 경우 Direct mail에 대한 응답률이 상대적으로 훨씬 높다는 것을 알 수 있다. 또한 나이가 41.5세 미만인 경우 응답률이 아주 높아서 100%에 가까우며, 따라서 41.5세 이하인 경우 Direct mail을 보낼 경우 응답할 가능성이 아주 높음을 알 수 있다. 나이가 50.5세 이상인 고객의 경우는 응답률 이 대체로 저조하다는 것을 확인할 수 있다. 그리고 나이가 50.5세 보다 작고 41.5세 이상인 고객 들은 비교적 Direct mail에 대한 응답률이 높으며 그 중에서 남자고객의 경우가 여자고객에 비해 서 응답률이 월등히 높다는 것을 위의 결과에서 확인할 수 있다.결 론위의 예제에서 사용하였던 것과 같이 신경망 모형은 무수히 많은 모형을 만들어 낼 수 있 기 때문에 매우 다양한 모형을 포함하는 유연한 모형이라 할 수 있다. 그러나 데이터로부터 계수를 추정해서 그 값을 사용하기 때문에 인간의 신경과 유사하다고 할 수 있을 만큼 그 결과 값이 우수하지는 못할 뿐더러 MLP 또한 한계를 가지고 있다. 또한 이 경우는 변수의 개수 또한 적고 응답률이라는 비교적 쉬운 타겟을 지정하였지만, 그것이 복잡해지면 복잡해 질수록 은닉층과 은닉마디가 더 많이 필요하며 신경망은 더욱 복잡해질 수 있다. 그에 따라 추정해야할 계수의 수가 급격히 증가하기 때문에 최적화하기가 더욱 어렵게 된다. 위의 예제 에서처럼 최선의 모델을 선정하기 위해 여러 모델을 만들어 놓고 그 중에 가장 우수한 모델 을 찾은 것처럼 적절한 은닉층과 은닉마디의 수를 결정하기 위해서 시행착오적인 방법이외 의 별 다른 대안이 없어 보인다.그리고 회귀분석이나 의사결정나무는 분석의 결과를 비교적 쉽게 해석하고 이로부터 유용 한 정보를 얻을 수 있었던 반면에 신경망은 매우 유연하기는 하지만 결과를 해석하는 것이 매우 어렵다. 게다가 어떤 입력변수가 중요한지 또는 그것들이 어떻게 상호 작용하는지를 결 정하기가 어렵다. 그렇게 때문에데이터마이닝에서 해석의 용이함이 언제나 예측모형의 중요한 특성이 되는 것은 아니다. 더 많은 해석적 용이함을 가지고 있으면서도 예측에 덜 효과적인 모형보다는, 매우 정확한 예측을 생산해 내는 모델이 더 선호되는 경우가 많기 때문이다. 그럼에도 불구하고 해석적 어려움은 실제적인 단점이 될 수 있다. 그래서 위의 예제에서도 마찬가지로 의사결정나무를 통해서 신경망의 결과를 해석하였다고 할 수 있다. 따라서 앞으로 신경망분석은 더 많이 연 구되어지고 발전되어져야할 부분이라고 하겠다.

공학/기술| 2004.12.22| 11페이지| 1,000원| 조회(728)

SAS, CRM, 데이터마이닝, e-miner, Neural Networks

미리보기

닫기