AI 예측 방법20 빅데이터 특징 본문 1 본문 2 본문 3 2023. 12. 1. 시계열 데이터 증강 - 학습 방법 (Learning Methods) 시계열 데이터 증강 - 학습 방법 (Learning Methods) 여기에서는 데이터 증강 분야에서의 중요한 기법인 '학습 방법(Learning Methods)'에 대해 알아보려 합니다. 특히, 이 중 '임베딩 공간 (Embedding Space)'과 '심층 생성 모델 (Deep Generative Models)'의 개념과 활용 방법을 자세히 탐구해 보겠습니다. 데이터 과학과 인공지능 분야에서 데이터 증강은 모델의 성능을 향상시키고, 보다 정교한 예측을 가능하게 하는 중요한 도구입니다. 데이터 증강 방법 중 학습 방법(Learning Methods) 의 기법인 임베딩 공간 (Embedding Space)과 심층 생성 모델 (Deep Generative Models)에 대해서 설명하겠습니다. 임베딩 공간 .. 2023. 11. 20. 시계열 데이터 증강 - 통계적 생성 모델 (Statistical Generative Model) 시계열 데이터 증강 - 통계적 생성 모델 (Statistical Generative Model) 시계열 데이터 증강에 사용되는 통계적 생성 모델에 대해 알아보겠습니다. 이러한 모델들은 시계열 데이터의 복잡한 특성을 파악하고, 보다 정교한 데이터 증강을 위해 설계되었습니다. 간소화된 통계적 모델, LGT 기반 통계적 모델, MAR 기반 통계적 모델과 같은 다양한 방법들을 통해, 데이터의 다양성을 향상시키고, 예측 모델의 성능을 개선하는 방법을 살펴볼 것입니다. 통계적 생성 모델 (Statistical Generative Model) 은 시계열 데이터의 조건부 분포를 반영하여 데이터를 증강하는 방법입니다. 이 모델은 특정 시점(t)에서 생성된 데이터가 그 이전의 데이터 포인트에 의존한다고 가정합니다. 주로 .. 2023. 11. 20. 시계열 데이터 증강 - 데이터 분해 방법 (Decomposition Methods) 시계열 데이터 증강 - 데이터 분해 방법 (Decomposition Methods) 시계열 데이터를 분석하고 증강하는 데 사용되는 STL(Seasonal and Trend decomposition using Loess) 기법에 대해 알아보겠습니다. 시계열 데이터는 추세, 계절성, 잔차의 세 가지 주요 구성 요소로 분해될 수 있으며, 이를 활용한 다양한 증강 방법들을 소개하고자 합니다. Deterministic Method, Stochastic Method, Bootstrapped-based Method 등의 방법들을 통해 시계열 데이터의 다양성을 높이고 모델의 예측 능력을 개선하는 방법을 살펴볼 것입니다. 분해 방법 (Decomposition Methods)은 시계열 데이터를 Trend, Season, .. 2023. 11. 19. 시계열 데이터 증강 - 시간&주파수 영역 (Time&Frequency domain) 시계열 데이터 증강 - 주파수 영역 (Time&Frequency domain) 여기서는 시간 및 주파수 영역(Time & Frequency domain) 분석에 대해 살펴보겠습니다. 이 분석은 신호의 시간적 변화와 주파수적 특성을 모두 고려하는 방법으로, 복잡한 데이터의 특성을 더 잘 이해하고 활용하기 위한 접근법입니다. 단시간 푸리에 변환(STFT), 웨이블릿 변환, 스펙트로그램에 대해 자세히 알아보며, 각 방법이 데이터 분석과 증강에 어떻게 활용될 수 있는지 탐구해 보겠습니다. Time-domain 보다 아직까지 기법의 수는 적지만, 이 부분도 활발히 연구가 진행되고 있습니다. 단시간 푸리에 변환(STFT), 웨이블릿 변환, 스펙트로그램에 대해 자세히 알아보겠습니다. 1. 단시간 푸리에 변환 (Sho.. 2023. 11. 19. 시계열 데이터 증강 - 주파수 영역 (Frequency Domain) 시계열 데이터 증강 - 주파수 영역 (Frequency Domain) 여기서는 데이터 증강 분야에서 활발하게 연구되고 있는 주파수 영역에 대해서 알아보겠습니다. Amplitude & Phase Perturbations, Amplitude adjusted Fourier transform, 그리고 Short Term Fourier Transform 등과 같은 기법들을 자세히 설명한 예정입니다. 이 기법들은 시계열 데이터의 특성을 극대화하고, 더 정밀한 분석을 가능하게 하는 동시에 모델의 일반화 능력을 향상시키는 데 중요한 역할을 합니다. Time-domain 보다 아직까지 기법의 수는 적지만, 최근에 많은 연구가 진행되고 있습니다. 주파수 영역을 구성하는 두 가지 스펙트럼 Amplitude Spectrum .. 2023. 11. 19. 이전 1 2 3 4 다음
