2022 구로구 도시 정책 아이디어 경진대회.pdf

2. Artiﬁcial Intelligence AI 적용해보기 Song chioh Seoul. Republic Of Korea 2022 구로구 4차 산업혁명 도시 정책 아이디어 경진대회

3. 00. Index 3

4. 1. 강연자 소개 2. 인공지능, 머신러닝, 딥러닝 3. 인공지능 활용 사례 4. 만능도구 인공지능? 5. 각 팀별로 인공지능 적용해보기 00. Index 4

5. 01. 강연자 소개 5

6. Machine learning engineer 01. 강연자 소개 6

7. Medical startup 01. 강연자 소개 7

8. 01. 강연자 소개 8 https://linewalks.com/

9. 9 01. 강연자 소개

10. 대회 Healthcare AI Datathon | Top 10 ﬁnalists HeLP(Healthcare AL Learning Platform) | 1st Korea Clinical Datathon | 1st China Rugao Open Source Space Hackathon | 3rd … 01. 강연자 소개 10

11. 강의, 강연, 코칭, 컨설팅 01. 강연자 소개 11

12. 02. 인공지능, 머신러닝, 딥러닝 12

13. 02. 인공지능, 머신러닝, 딥러닝 13 https://www.imdb.com/title/tt2084970/mediaviewer/rm1345992960?ref_=tt_rv

14. 02. 인공지능, 머신러닝, 딥러닝 14 https://www.interview365.com/news/articleView.html?idxno=70802

15. 앨런 튜링(Alan Mathison Turing, 1912~1954) - 1939, 에니그마 해독 - 1950, “Computing machinery and Intelligence” 발표 - Turing test 제안 - 1966, 컴퓨터계의 노벨상으로 불리는 튜링상 수여 시작 - 2021, 50파운드 신권에 초상화를 사용하기로 결정 02. 인공지능, 머신러닝, 딥러닝 15 https://www.interview365.com/news/articleView.html?idxno=70802

18. 02. 인공지능, 머신러닝, 딥러닝 18 https://www.ijc.ro/editorial/why-the-turing-test-is-not-suited-for-testing-artiﬁcial-intelligence/

19. Turing test | 기계가 생각할 수 있는가? 5분간 인간이 기계와 대화하고 있다는 사실을 깨닫지 못할 경우 기계는 테스트를 통과 02. 인공지능, 머신러닝, 딥러닝 19 https://www.ijc.ro/editorial/why-the-turing-test-is-not-suited-for-testing-artiﬁcial-intelligence/ 사람처럼 보이거나 혹은 느껴지면 인공지능! 꼭 지능이나 사고력을 가질 필요는 없음 - 오타, 문법실수 등으로 테스트 통과 - 묵비권을 행사하여 테스트 통과

20. 02. 인공지능, 머신러닝, 딥러닝 20 https://kr.tradingview.com/chart/

21. 2016.03.09 ~ 2016.03.15 02. 인공지능, 머신러닝, 딥러닝 21 https://www.theguardian.com/technology/2016/mar/15/alphago-what-does-google-advanced-software-go-next

22. What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning? 02. 인공지능, 머신러닝, 딥러닝 22 https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

23. What’s the Difference Between AI(Artificial Intelligence), ML(Machine Learning) and DL(Deep Learning)? AI: 인간의 지능을 기계로 구현 ML: 인공 지능을 구현하는 구체적 접근 방식 DL: 완전한 머신 러닝을 실현하는 기술 02. 인공지능, 머신러닝, 딥러닝 23 https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

24. AI(Artiﬁcial Intelligence) 인간의 인지·추론·학습의 사고과정에 필요한 능력을 컴퓨터 시스템을 통해 구현함으로써 문제를 해결할 수 있는 기술 02. 인공지능, 머신러닝, 딥러닝 24

25. ML(Machine Learning) 알고리즘을 이용해 데이터를 학습하여 결과(판단, 예측 등)를 도출하는 방법 현재도 강력한 성능으로 현업에서 많이 사용 02. 인공지능, 머신러닝, 딥러닝 25 https://blogs.nvidia.com/blog/2016/07/29/whats-diﬀerence-artiﬁcial-intelligence-machine-learning-deep-learning-ai/

26. ML(Machine Learning) 02. 인공지능, 머신러닝, 딥러닝 26 Semi-Supervised Learning Reinforcement Learning Unsupervised Learning Supervised Learning Active learning Self-learning Co-learning Clustering Association Classification Regression Model free Model base

27. ML(Machine Learning) | Supervised Learning | Classiﬁcation 학습 데이터에 정답이 존재하는 경우, 데이터의 라벨을 맞추기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 27 Supervised Learning Classification Regression

28. ML(Machine Learning) | Supervised Learning | Classiﬁcation 학습 데이터에 정답이 존재하는 경우, 데이터의 연속적인 값을 맞추기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 28 Supervised Learning Classification Regression

29. ML(Machine Learning) | Unsupervised Learning | Clustering 학습 데이터에 정답이 존재하지 않는 경우, 데이터를 군집화 하기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 29 Supervised Learning Classification Regression Unsupervised Learning Clustering Association

30. ML(Machine Learning) | Unsupervised Learning | Clustering 학습 데이터에 정답이 존재하지 않는 경우, 데이터를 군집화 하기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 30 Supervised Learning Classification Regression Unsupervised Learning Clustering Association

31. ML(Machine Learning) | Unsupervised Learning | Association 학습 데이터에 정답이 존재하지 않는 경우, 데이터의 특정 사건들의 동시 발생 빈도로 상호 연관성을 표현하기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 31 Supervised Learning Classification Regression Unsupervised Learning Clustering Association

32. ML(Machine Learning) | Semi-supervised Learning | Active learning 학습 데이터에 정답이 일부 존재 하는 경우, 데이터의 라벨을 맞추기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 32 Supervised Learning Classification Regression Semi-supervised Learning Active learning Self-training Co-learning 분류가 어려운 데이터는 사람에게 질의

33. ML(Machine Learning) | Semi-supervised Learning | Self-training 학습 데이터에 정답이 일부 존재 하는 경우, 데이터의 라벨을 맞추기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 33 Supervised Learning Classification Regression Semi-supervised Learning Active learning Self-training Co-learning 1. supervised learning으로 모델 생성 2. 생성된 모델에 unlabeled data를 예측 3. 예측 데이터 중 확률값이 높은 데이터로 다시 supervised learning 진행 4. 1~3 반복

34. ML(Machine Learning) | Semi-supervised Learning | Co-learning 학습 데이터에 정답이 일부 존재 하는 경우, 데이터의 라벨을 맞추기 위해 사용 02. 인공지능, 머신러닝, 딥러닝 34 Supervised Learning Classification Regression Semi-supervised Learning Active learning Self-training Co-learning Self-training을 진행하며 분류 가능한 데이터들을 모델간 서로 주고받으며 학습

35. ML(Machine Learning) | Reinforcement Learning | Model base 주어진 환경에서 상호작용하여 좋은 점수를 얻는 방향으로 학습 02. 인공지능, 머신러닝, 딥러닝 35 Supervised Learning Classification Regression Reinforcement Learning Model base Model free https://www.analyticsvidhya.com/blog/2021/02/introduction-to-reinforcement-learning-for-beginners/

36. ML(Machine Learning) | Reinforcement Learning | Model free 주어진 환경이 없는 상태에서 상호작용하여 좋은 점수를 얻는 방향으로 학습 02. 인공지능, 머신러닝, 딥러닝 36 Supervised Learning Classification Regression Reinforcement Learning Model base Model free https://www.analyticsvidhya.com/blog/2021/02/introduction-to-reinforcement-learning-for-beginners/ X

37. DL(Deep Learning) 머신러닝의 여러 방법론 중 하나 신경망에서 영감을 얻은 인공신경망에 기반한 학습 방법 02. 인공지능, 머신러닝, 딥러닝 37

38. DL(Deep Learning) 02. 인공지능, 머신러닝, 딥러닝 38 https://deepai.org/machine-learning-glossary-and-terms/hidden-layer-machine-learning

39. DL(Deep Learning) | Imagenet Imagenet : 1,000개가 넘는 카테고리로 분류된 100만개의 이미지를 인식하여 분류하는 정확도를 겨루는 대회 2012년 이전 : 기계의 이미지 인식률은 75% 이하 2012년 : 8개의 hidden layer를 가진 Alexnet model이 정확도 80%를 뛰어 넘음 2015년 : 사람의 정확도인 95%를 추월 현재: 99.02% 정확도 02. 인공지능, 머신러닝, 딥러닝 39 https://paperswithcode.com/sota/image-classiﬁcation-on-imagenet

40. 03. 인공지능 활용 사례 40

41. 현재 AlexNet는 Imagenet 기준 779위.. 03. 인공지능 활용 사례 41 https://paperswithcode.com/sota/image-classiﬁcation-on-imagenet

42. 객체 인식을 활용한 자율 주행 03. 인공지능 활용 사례 42 https://gfycat.com/ko/gifs/search/tesla+self+driving

43. 암 진단 03. 인공지능 활용 사례 43 https://medium.com/swlh/convolutional-neural-network-for-detecting-cancer-tumors-in-microscopic-images-1acab6481d05

44. 함수 이름을 정해주면 그에 걸맞는 코드를 작성 03. 인공지능 활용 사례 44 https://github.com/features/copilot

45. 육성으로 코드를 작성 03. 인공지능 활용 사례 45 https://www.youtube.com/watch?v=cs4_eLddG1w

46. 자연어로 이미지 생성 03. 인공지능 활용 사례 46 https://www.youtube.com/watch?v=qTgPSKKjfVg

47. 당근마켓 : 1:1 문의 유사도 계산, 시각화를 통한 현황 파악 및 답변 효율화 03. 인공지능 활용 사례 47 https://medium.com/daangn/%EB%8B%B9%EA%B7%BC%EB%A7%88%EC%BC%93%EC%97%90%EC%84%9C-%EB%94%A5%EB%9F%AC%EB%8B%9D-%ED%99%9C%EC%9A%A9%ED%95%98%EA%B8%B0-3b48844eba62

48. 마켓컬리 : 고객 구매데이터를 기반으로 미래 발생 수요 예측을 통한 폐기율 관리 03. 인공지능 활용 사례 48 https://story.pxd.co.kr/1430

49. 04. 만능도구 인공지능? 49

50. 사과 잼을 만들어 보자! 1. 껍질을 깎고 잘게 다진다. 2. 사과와 설탕을 1:1 비율로 냄비에 붓는다. 3. …. 4. …. 5. 완성된 잼을 유리병에 담는다. 04. 만능도구 인공지능? 50

51. 만드는 법은 알겠는데… 사과와 설탕이 없다. 04. 만능도구 인공지능? 51 http://realfoods.co.kr/view.php?ud=20190219000238

52. 사과잼의 기본 조건 APPLE, SUGAR 04. 만능도구 인공지능? 52 http://realfoods.co.kr/view.php?ud=20190219000238

53. 머신러닝, 딥러닝의 기본 조건 DATA 04. 만능도구 인공지능? 53 http://realfoods.co.kr/view.php?ud=20190219000238

54. 사과 깎기 04. 만능도구 인공지능? 54 http://realfoods.co.kr/view.php?ud=20190219000238

55. 사과 깎을 칼 04. 만능도구 인공지능? 55

56. 현황을 파악하고 상황에 맞는 기술을 적재적소에 적용하는것이 우선 04. 만능도구 인공지능? 56 http://realfoods.co.kr/view.php?ud=20190219000238

57. 딥러닝이 아닌 머신러닝 만으로도 충분 머신러닝이 아닌 인공지능 만으로도 충분 04. 만능도구 인공지능? 57 http://realfoods.co.kr/view.php?ud=20190219000238

58. 05. 각 팀별로 인공지능 적용 58

59. 4G 밸리 | 자율주행버스 도입을 통한 차량 정체와 도보 적체 해소 1. 자율 주행 인공지능 2. 교통량, 지하철 승하차 등 데이터 분석을 통한 차량정체, 도보적체 시간 및 구간 확인 a. 지하철 승하차 데이터는 국가에서 제공 중, 도보의 수용가능 인원과 연계하여 데이터 분석 3. 교통량 미래 예측을 통한 버스 투입 조절 a. 머신러닝 혹은 딥러닝의 Regression 계열 모델 사용 05. 인공지능 적용 59

60. KURO | 생태 스마트 공원 조성 1. IOT를 활용하여 데이터 수집 2. 날씨 데이터 등을 기반으로 공원 방문량 예측하여 이벤트 대비 a. 머신러닝 혹은 딥러닝의 Regression 계열 모델 사용 3. 데이터 분석을 통해 특정 오브젝트의 사용량이 급격히 줄은 경우를 탐지하여 해당 오브젝트 조사 및 유지보수 05. 인공지능 적용 60

61. 구로 알리미 | 안전취약계층을 위한 안전지도 & 1분 긴급알림 서비스 1. 구민 데이터 분석을 통한 안전취약계층 발굴 2. 안전취약계층으로의 전환 가능성이 높은 구민 발굴 및 선제 모니터링 a. 머신러닝 혹은 딥러닝의 Classiﬁcation, Clustering 계열 모델 사용 05. 인공지능 적용 61

62. 구로롤링롤링롤링 | 청년 일자리 매칭 플랫폼 1. 사내 HR 정보와 구직자의 정보를 이용한 매칭 인공지능 a. 머신러닝의 clustering 계열 모델 사용 05. 인공지능 적용 62

63. 펴다 | 스마트 우산 공유 서비스 1. 스팟별 수요예측 인공지능을 통해 우산을 적재적소에 제공 a. 머신러닝 혹은 딥러닝의 Regression 계열 모델 사용 05. 인공지능 적용 63

64. 살고싶구로 | 고급인력 안전도시 1. CCTV 영상의 오브젝트 탐지를 통해 구역 내 인구밀집도가 높아질 경우 대처 a. 딥러닝의 이미지 처리 계열 모델 사용 05. 인공지능 적용 64

65. 05. 인공지능 적용 진진자라 | 안전건축 도시환경 마련 1. 촬영된 위험 건축물 이미지를 통해 위험도 예측 및 우선순위 부여하여 우선 해결 a. 딥러닝의 이미지 처리 계열 모델 사용 2. 신고가 많이 들어오는 곳의 특징을 파악하여 다음 위험지역 예측 a. 머신러닝의 Clustering 계열 모델 사용 65

66. 05. 인공지능 적용 BIG_PY | 초연결 지산학 생태계 구축 1. 사내 HR 정보와 구직자의 정보를 이용한 매칭 인공지능 a. 머신러닝의 clustering 계열 모델 사용 66

67. 05. 인공지능 적용 다시구로 | 우산 재활용 사업 1. CCTV 영상의 오브젝트 탐지를 통해 버려진 우산을 확인하고 수거 a. 딥러닝의 이미지 처리 계열 모델 사용 67

68. 05. 인공지능 적용 잘살구로 | 다문화 가정을 위한 디지털 사회복지 실현 1. 통번역 a. 딥러닝의 자연어 처리 계열 모델 사용 68

2022 구로구 도시 정책 아이디어 경진대회.pdf

Estás leyendo una previsualización.

Eche un vistazo a continuación

2022 구로구 도시 정책 아이디어 경진대회.pdf

Más Contenido Relacionado

Similares a 2022 구로구 도시 정책 아이디어 경진대회.pdf (20)

Más de chioh song (6)

Más reciente (20)