기술 분석의 개념

마지막 업데이트: 2022년 5월 5일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
AI has been an integral part of SAS software for years. Today we help customers in every industry capitalize on advancements in AI, and we’ll continue embedding AI technologies like machine learning and deep learning in solutions across the SAS portfolio. Jim Goodnight CEO SAS

인공지능(AI)

인공지능(AI)은 기계가 경험을 통해 학습하고 새로운 입력 내용에 따라 기존 지식을 조정하며 사람과 같은 방식으로 과제를 수행할 수 있도록 지원하는 기술입니다. 체스를 두는 컴퓨터에서부터 직접 운전을 하는 자동차에 이르기까지 오늘날 대부분의 인공지능(AI) 사례들은 딥러닝과 자연어 처리에 크게 의존하고 있으며, 이러한 기술들을 통해 대량의 데이터를 처리하고 데이터에서 패턴을 인식함으로써 특정한 과제를 수행하도록 컴퓨터를 훈련할 수 있습니다.

인공지능(AI)의 역사

인공지능(AI)이라는 용어는 1965년에 처음 등장하였지만 데이터의 양적 증가, 첨단 알고리즘, 컴퓨팅 파워와 스토리지가 개선된 오늘날 매우 활발히 연구되고 있는 분야입니다.

1950년대에 시작된 초기 인공지능(AI) 연구에서는 문제 해결과 기호법 등의 주제를 탐구했습니다. 1960년대로 접어들면서 이러한 연구에 관심을 보인 미국방부는 인간의 기본적인 추론 방식을 흉내 낼 수 있도록 컴퓨터를 훈련하기 시작하였고, 1970년 국방 고등 연구 기획국(DARPA)이 수행한 도로 지도화 프로젝트가 그 사례라고 할 수 있습니다. 국방 고등 연구 기획국은 또한 Siri, Alexa나 Cortana와 같은 인공지능이 개발되기 한참 전인 2003년에 지능형 개인 비서를 개발하기도 하였습니다.

이러한 노력들은 오늘날 우리가 일상에서 접하고 있는 자동화와 형식 추론 기술의 기틀을 다지는 역할을 하였으며, 이러한 기술에는 사람의 능력을 보완하고 확장할 수 있는 의사 결정 기술 분석의 개념 지원 시스템과 스마트 검색 시스템이 포함됩니다.

할리우드 영화나 공상 과학 소설에서는 인공지능(AI)이 세상을 집어삼키는 인간형 로봇으로 묘사되지만 현재의 인공지능(AI) 기술은 그 정도로 똑똑하거나 위협적이지는 않습니다. 다만, 모든 산업분야에서 이점을 제공하고 있으며 아래의 글을 통해 의료 및 소매 등 산업 전반적인 분야에서 현재 활용되고 있는 인공지능(AI) 사례들을 확인하실 수 있습니다.

1950 년대 –1970 년대

신경망 (Neural Networks)

신경망에 대한 초기 연구를 통해 “생각하는 기계”에 대한 기대감이 높아졌습니다.

1980 년대 –2010 년대

머신러닝 (Machine Learning)

머신러닝에 대한 관심이 높아졌습니다.

딥러닝 (Deep Learning)

딥러닝으로 인공지능(AI)의 시대가
본격화되었습니다.

Jim Goodnight, CEO, SAS in meeting

몇 년 전부터 인공지능(AI)은 SAS 소프트웨어의 핵심으로 자리 잡았습니다. 오늘날 모든 산업 분야의 고객들이 첨단 인공지능(AI) 기술의 혜택을 누리도록 지원하고 있는 SAS는 머신러닝과 딥러닝 같은 인공지능(AI) 기술을 전체 SAS 포트폴리오 솔루션에 포함하는 작업을 지속 적으로 이어가고 있습니다. Jim Goodnight CEO SAS

인공지능(AI)과 머신러닝

인공지능(AI)과 머신러닝의 차이가 궁금하시다면 우측의 동영상을 통해 확인하실 수 있습니다. 몇가지 사례와 흥미로운 사실들을 소개하는 이 동영상은 인공지능(AI)과 머신러닝이 어떻게 작동하는지 말하고 있습니다.

가족이나 친구들에게 이 동영상을 공유한다면 누구나 인공지능(AI)이나 머신러닝에 대해 쉽게 이해할 수 있습니다.

Jim Goodnight, CEO, SAS in meeting

AI has been an integral part of SAS software for years. Today we help customers in every industry capitalize on advancements in AI, and we’ll continue embedding AI technologies like machine learning and deep learning in solutions across the SAS portfolio. Jim Goodnight CEO SAS

Artificial Intelligence trends to watch

Quick, watch this video to hear AI experts and data science pros weigh in on AI trends for the next decade.

What is the role of ethics in the future of AI? How important is big data? Why is domain knowledge crucial for the success of AI?

Most importantly: “It really is who has the data. That’s who will be the king,” says Harper Reid, Technology Pioneer.

인공지능(AI)이 중요한 이유

  • 인공지능(AI)은 반복적 학습과 데이터를 인사이트 통한 발견을 자동화합니다. 인공지능(AI)은 하드웨어에 기반을 둔 로봇 자동화와는 다른 개념으로, 수작업을 자동화 하는것을 넘어서서 반복적인 대량의 전산 작업을 간단하게 수행합니다. 이러한 유형의 자동화를 위해서는 지속적으로 시스템 설정하고 올바른 질문을 전달하는 인력의 노력이 필요합니다.
  • 인공지능(AI)은 기존 제품에 지능을 더합니다. 인공지능(AI)이 개별 애플리케이션으로 판매되는 경우는 거의 없을 것입니다. 대신 Siri가 Apple의 신제품에 새로운 기능으로 추가된 것처럼 이미 사용 중인 제품에 인공지능(AI) 기능을 탑재해 제품 개선이 이루어질 것입니다. 자동화, 대화 플랫폼, 봇, 스마트 머신이 대량의 데이터와 결합되면서 보안 인텔리전스와 투자 분석 등 직장과 가정에서 이용하는 많은 기술들을 개선할 수 있습니다.
  • 인공지능(AI)은 점진적인 학습 알고리즘을 통해 스스로를 개선하고 데이터가 프로그래밍을 수행하도록 지원합니다. 인공지능(AI)은 데이터의 구조와 규칙성을 찾아내고 알고리즘이 이를 학습하도록 지원하여 알고리즘을 분류 도구 호는 조건자로 만듭니다. 이러한 알고리즘은 체스를 두는 방법을 스스로 학습할 수 있는 것과 마찬가지로 사용자의 온라인 구매 제품 추천을 찾아낼 수 있습니다. 또한, 새로운 데이터가 입력됨에 따라 학습하고 그 성능이 개선됩니다. 역전파는 첫 번째 대답이 적절하지 않은 경우 새로운 학습과 추가 데이터 분석을 통해 모델이 스스로 개선할 수 있는 인공지능(AI) 기법입니다.
  • 인공지능(AI)은 보다 많은 데이터를 깊이 있게 분석하기 위해 숨겨진 다양한 레이어를 가진 신경망을 활용합니다. 몇 년 전만해도 다섯 개의 숨겨진 레이어를 가진 사기 감지 시스템을 개발하는 일은 불가능에 가까웠지만 이제는 엄청난 컴퓨팅 파워와 빅데이터 덕분에 가능해졌습니다. 딥러닝 모델은 데이터를 이용해 직접 학습하기 때문에 많은 양의 데이터가 필요한데, 입력하는 데이터가 많을수록 정확도가 더욱 높아집니다.
  • 인공지능(AI)은 이전에는 불가능했던 딥 신경망 분석을 통해 놀랍도록 향상된 정확도를 제공합니다. 예를 들어 Alexa, Google Search, Google Photos와 사용자의 인터랙션은 모두 딥러닝 기술을 활용하고 있으며, 더 많은 사용자들이 이러한 서비스를 이용할 수록 더 높은 정확도로 원하는 결과를 획득할 수 있습니다. 의료 분야에서는 딥러닝, 이미지 분류, 개체 인식 등 인공지능(AI) 기술들을 MRI 이미지 분석을 활용하고 있으며 숙련된 방사선 기술자 만큼이나 정확한 결과를 얻고 있습니다.
  • 인공지능(AI)은 데이터의 활용도를 극대화 합니다. 알고리즘이 셀프 러닝을 수행할 때 데이터 자체가 지적 재산이 될 수 있습니다. 모든 문제의 해답은 데이터에 있으므로 인공지능(AI)을 데이터에 적용하여 해답을 찾을 수 있습니다. 데이터의 역할이 어느때보다 중요해진 요즘에는 데이터로 경쟁 우위를 점할 수 있으며, 경쟁이 치열한 산업이라면 유사한 기술을 보유하고 있다고 하더라도 최상의 데이터를 보유한 기업이 기술 분석의 개념 이기게 됩니다.

WildTrack and SAS: Saving endangered species one footprint at a time.

Flagship species like the cheetah are disappearing. And with them, the biodiversity that supports us all. WildTrack is exploring the value of artificial intelligence in conservation – to analyze footprints the way indigenous trackers do and protect these endangered animals from extinction.

인공지능(AI)의 현 주소

고급 분석 활용 사례:
AI, 머신러닝, 자연어 처리(NLP)

TDWI Research를 통해 머신러닝, 자연어처리 및 인공지능(AI) 기술들에 대한 정보, 기업이 기술들을 사용하는 방식 및 도입하여 얻은 가치/사례를 알아보십시오.

인공지능(AI)의 활용 방안

모든 업계에서 인공지능(AI)의 적용과 활용을 요구하고 있습니다. 특히 다음과 같은 산업에서 효율적으로 인공지능(AI)을 활용할 수 있습니다.

맞춤 의료와 X-ray 판독에 인공지능(AI) 어플리케이션을 활용할 수 있습니다. 그 예로 개인 건강 관리 도우미는 약 먹을 시간을 알려주고 운동이나 건강한 식습관 유지를 지원하는 ‘생활 지도사’의 역할을 할 수 있습니다.

인공지능(AI)은 상품을 추천하고 소비자의 구매 결정을 도와주는 가상 쇼핑 기능을 제공하며 재고 관리 시스템과 사이트 레이아웃 역시 인공지능(AI) 기술 적용으로 개선할 수 있습니다.

Manufacturing

AI can analyze factory IoT data as it streams from connected equipment to forecast expected load and demand using recurrent networks, a specific type of deep learning network used with sequence data.

Life sciences

From ensuring drug safety to getting new therapies to market faster, AI technologies can unleash the full potential of data to solve some of our greatest health challenges.

인공지능(AI)은 연결된 장비들이 주고받는 공장 IoT 데이터를 분석하고 딥러닝 네트워크의 일종인 반복 네트워크를 활용하여 작업량과 수요를 예측할 수 있습니다.

Banking

Artificial Intelligence enhances the speed, precision and effectiveness of human efforts. In financial institutions, AI techniques can be used to identify which transactions are likely to be fraudulent, adopt fast and accurate credit scoring, as well as automate manually intense data management tasks.

Public sector

Artificial Intelligence can make smart cities smarter. It can support national defense with mission readiness and predictive maintenance. Across the board, AI can improve program efficiency and effectiveness.

인공지능(AI)은 경기 이미지를 캡쳐하고 필드 위치와 전략 최적화를 포함해 경기를 보다 효과적으로 계획하는 방법을 알려주는 보고서를 제공하는 등 다양한 코치의 역할을 수행합니다.

인공지능(AI)과의 공존

지금은 인공지능(AI)이 인간의 역할을 대신하는 것이 아니라 인공지능(AI) 알고리즘은 인간과는 다른 방식으로 학습하기 때문에 대상을 보는 시각도 다릅니다. 이에 인간이 놓치고 있는 데이터 간의 관계와 패턴을 포착할 수 있습니다. 인간과 인공지능(AI)과의 이러한 동반자 관계는 많은 기회를 제공하는데, 그 예는 다음과 같습니다.

  • 현재 분석 기술을 제대로 이용하지 못하고 있는 산업과 분야에 분석 기술을 도입합니다.
  • 컴퓨터 비전과 시계열 분석 같은 기존 분석 기술의 성능을 더욱 높입니다.
  • 언어와 번역의 장벽을 포함해 경제적 장벽을 허뭅니다.
  • 인간이 가진 기존의 능력을 확장하고 과제 수행 능력을 개선합니다.
  • 인간의 비전, 이해력, 기억력 등 인간의 다양한 능력을 개선합니다.

What is Composite AI?

Most AI projects today rely on multiple data science technologies. According to Gartner, using a combination of different AI techniques to achieve the best result is called composite AI. For complex problems, the answer isn’t always one technique or another. Instead, the best answer to any problem is often a combination of multiple techniques and technologies, like machine learning, optimization and object detection.

“SAS is pushing the boundaries of the larger composite AI movement that’s happening in the industry,” says Bryan Harris, SAS Chief Technology Officer. “Accelerated digital transformation is demanding more sophisticated decisioning. This requires input from multiple analytic techniques, such as descriptive statistics, natural language processing, deep learning, audio processing, computer vision and more. Companies that can quickly harness these analytic techniques ultimately have a competitive advantage in their digital transformation.”

SAS ® Visual Data Mining and Machine Learning

인공지능(AI)은 분석에 적합하게 데이터를 처리하고 현대적인 머신러닝 알고리즘을 포함한 모델을 개발하며 하나의 제품에 모든 텍스트 분석 기술을 통합하는 과정을 단순화 기술 분석의 개념 합니다. 또한 SAS를 Python, R, Java 또는 Lua 등의 다른 프로그래밍 언어와 같이 사용할 수 있습니다.

인공지능(AI)의 작동 방식

대량의 데이터와 반복적인 작업을 빠른 처리할 수 있는 알고리즘을 결합한 소프트웨어가 데이터에 존재하는 패턴이나 특징을 분석하고 스스로 자동 학습 하도록 지원하는 것이 인공지능(AI)의 역할입니다. 많은 이론, 방법론, 기술 등을 포함한 종합적인 영역인 인공지능(AI)의 주요 세부 분야는 다음과 같습니다.

  • 분석 모델구축을 자동화 하는 머신러닝은 신경망, 통계분석, 운영분석, 물리학에서 활용되는 기법들을 이용하여 프로그래밍 없이 특정 위치를 찾거나 결론을 내리는 등 데이터에 숨어있는 인사이트를 찾아냅니다.
  • 신경망은 뉴런처럼 외부 입력에 반응하고 각 단위 사이의 정보를 연계하여 처리하는 일종의 머신러닝입니다. 서로의 연계성을 찾아내고 정의되지 않은 데이터로 부터 의미를 추론하기 위해서는 처리 과정에서 다중 데이터 패스가 필요합니다.
  • 딥러닝은 컴퓨팅 파워의 발전과 학습 기법의 개선을 바탕으로 여러 레이어를 포함한 엄청난 규모의 신경망을 활용합니다. 이를 통해 대량의 데이터에서 복잡한 패턴을 학습할 수 있습니다. 그 예로 이미지 및 음성 인식이 있습니다.
  • 인지 컴퓨팅(Cognitive Computing)은 기계에서 인간과 유사한 자연스러운 인터랙션을 이끌어내려는 인공지능(AI)의 한 분야입니다. 인공지능(AI)과 인지 컴퓨팅에서 추구하는 궁극적인 목표는 기계에 이미지와 음성을 기술 분석의 개념 이해하는 능력을 부여하여 사람과 같은 방식으로 행동하고 같은 반응을 만들어 내는 것 입니다.
  • 컴퓨터 비전은 패턴 인식과 딥러닝 기술을 바탕으로 그림이나 비디오의 내용을 인식합니다. 기계가 이미지를 처리하고 분석하여 이해할 수 있으면 이미지나 비디오를 실시간으로 포착하여 그 주변 상황을 해석할 수 있습니다.
  • 자연어 처리(NLP; Natural Language Process)는 컴퓨터가 음성을 포함한 사람의 언어를 분석, 이해 및 생성할 수 있는 기술입니다. NLP의 다음 단계는 사람이 평상시와 같은 언어적 표현을 사용하여 컴퓨터와 소통하고 작업을 지시할 수 있는 자연어 인터랙션입니다.


그 밖에 인공지능(AI) 구현과 지원에 필요한 몇 가지 추가 기술은 다음과 같습니다.

  • 그래픽 처리 장치는 반복적인 작업에 필요한 엄청난 컴퓨팅 파워를 제공하는 인공지능(AI)의 핵심 요소입니다. 일반적으로 신경망 학습에는 엄청난 양의 데이터 뿐만 아니라 엄청난 컴퓨팅 파워가 요구됩니다.
  • 시물 인터넷은 연결된 장치로부터 많은 양의 데이터를 생성합니다. 인공지능(AI)을 통해 모델을 자동화 하면 이러한 데이터를 실시간으로 분석하는 등 유용하게 활용할 수 있습니다.
  • 보다 많은 데이터를 다양한 수준에서 보다 빠르게 분석하기 위한 첨단 알고리즘이 새로운 방향으로 개발 및 결합되고 있습니다. 이를 통해 매우 드물게 발생하는 이벤트를 예측하고 복잡한 시스템을 이해하며 고유한 시나리오를 최적화 하는데 필수적입니다.
  • 애플리케이션 처리 인터페이스(API)는 기존 제품과 솔루션 패키지에 인공지능(AI) 기능을 부가할 때 필요한 코드 패키지 입니다. API를 이용하여 가종 보안 시스템에 이미지 인식 기능을 추가하거나 데이터를 설명하고 캡션과 헤드라인을 생성하는 등 데이터의 흥미로운 패턴과 인사이트를 알려주는 Q&A 기능을 추가할 수 있습니다.

즉, 입력 데이터를 바탕으로 추론하여 결과물을 설명할 수 있는 솔루션을 제공하는 것이 인공지능(AI)의 목표입니다. 인공지능(AI)은 사람과 같은 방식으로 소프트웨어와 인터랙션을 하고 특정한 과제에서 사람의 의사결정을 지원하는 역할을 할 수 있지만 사람의 역할을 대신하지는 못할 것 입니다.

기술 분석의 개념

Carousel 01

주식 기술 분석의 개념 기술적분석의 가장 기본개념, 추세

추세란 어떤 현상이 일정한 방향으로 나아가려는 경향이라는 뜻을 가지고 있는 단어입니다.

기술적 투자방식의 주식매매기법에서 추세는 기본이라고도 할 수 있습니다.

주식시장에는 오직 오르거나 내리거나 횡보하는 것 세가지 시장의 형태가 존재합니다.

주식 차트에서 하나하나의 바나 캔들은 매일매일의 매수수요와 매도 공급이 포함되어있습니다.

예를 들면 전일종가보다 높은 당일 종가는 이 종목의 매수수요가 많으며 당일종가가 강하다면

투자자들이 다음날까지 해당종목의 주식을 보유하고 싶어 한다는 사실을 보여줍니다.

또 갭업이나 랩업이 발생하는 것은 밤 사이 억눌려잇던 매수수요가 폭발했다는 것을 의미하기도 합니다.

특히 저가가 시가에서 밀리지 않은 상태에서 나타나는 장대양봉의 경우

지속적인 매수수요가 있었다는 사실을 뜻하기도 합니다.

이렇게 다양한 정보를 알려주는 바들이 여러개 모이면 특정한 패턴이나 추세가 나타나게 됩니다.

위의 차트 이미지는 주식을 모르는 사람이 보더라도 알만한 추세를 볼 수 있습니다.

차트에서 주가가 우래에서 위, 위에서 아래, 혹은 길게 늘어지는 모습을 추세라고 합니다.

확실한 추세가 있는지 알아보기 위해서는 우선 차트를 잘 살펴봐야 하고

이동평균선의 움직임, 고점, 저점의 상승, 강한종가 등의 여러가지 패턴들을 잘 파악해서

시장의 추세를 판별해 내야 합니다.

그렇다면 여러가지 추세를 판별하는 방법을 알아보겠습니다.

추세의 가장 간단한 형태인 경우를 빗대어 추세를 판별해 내는 방법에는 기본적으로 고점과 저점의 변화가 있습니다.

상승추세에서는 고점과 저점이 연속적으로 상승하게 되고

반대로 하락추세에서는 고점과 저점이 연속적으로 하락하게 됩니다.

이 고점들과 저점들을 선으로 이어보면 추세를 파악할 수 있습니다.

상승, 하락추세가 깨어지지 않고 매일같이 유지가 된다면 추세의 지속성이 유지된다고 해석합니다.

여기서 지속성은 매일매일 추세를 지속하는 힘을 뜻합니다.

이동평균선은 많은 투자자들이 사용하는 지표이며 일정기간의 종가들을 평균한 값을 선으로 나타낸 것입니다.

간단하게 설명하자면 10일 이동평균선은 최근 10일동안의 종가를 모두 더한 다음

10으로 나눈 값이라고 생각하시면 됩니다.

10일 이동평균선을 계산할 때 가장 오래된 주가는 10일전의 주가라는 뜻이됩니다.

그렇기 때문에 다음날이 되면 새로운 날의 주가가 10일 이동평균선 계산에 포함이 되고

10일전의 주가는 다음날이 되면 이동평균의 계산에서 제외되게 됩니다.

이렇게 평균값이 주가의 움직임과 함께 이동하기 때문에 이동평균이라는 이름을 가지게 되었습니다.

하지만 이 이동평균선은 이미 지나간 가격의 계산으로 인해 생성되는 지표이므로 후행성이 존재하게 됩니다.

그렇기 때문에 이 이동평균선을 직접적으로 이용하기보다는

이동평균선의 이격과 기울기와 같이 간접적으로 이용해야 합니다.

여기서 기울기는 단순히 이동평균선이 이루는 각도를 뜻합니다.

이동평균선의 기울기가 위쪽이라는 것은 주가가 상승추세라는 것을 뜻하고

반대로 기울기가 아래쪽을 향하고 있다면 주가가 하락추세중이라는 것을 의미합니다.

이격은 위의 이미지와 같이 해당종목 당일 주가의바나 캔들이 이동평균보다 위에 위치하여

이동평균선과 떨어져 있는형태를 뜻합니다.

주식차트에서 캔들이나 바, 즉 주가는 회귀속성을 가지고 있습니다.

만약 어느 종목 차트의 캔들이 이동평균선에서 멀어지면 다시 돌아오게되는 개념입니다.

여러개의 이동평균선은 추세를 판단하는 도구가 될 수 있습니다.

단기 이동평균선이 장기이동평균선보다 위에 위치하는 현상을 이동평균선의 정배열이라고 하며

이는 지금이 상승추세 중이라는 것을 뜻합니다.

하지만 역시 이동평균선이란 약간의 후행성을 가지고 있기 때문에

주가의 추세가 회사의 악재 등의 이유로 인해 급작스럽게 하락때는

위의 이미지와 같이 상승추세가 확실히 꺾인 이후에도 이동평균선들은 여전히 정배열 상태를 나타냅니다.

그렇기 때문에 추세를 판단하기 위해서는 가장 먼저 주가 자체의 움직임을 분석하고

간접적으로 이동평균선을 참고하는 방향으로 매매를 진행해야 합니다.

간혹 확실한 추세가 없는데도 불구하고 추세를 어거지로 끼워맞추려고 하는 사람들도 있습니다. 추세라는 개념은 명확히 판별할 수 있어야 추세라고 명칭하며 매매에 있어서 유용한 도구로 사용할 수 있습니다.

사색과 탐구의 블로그

여러분이 주식을 시작하는 지금 시점에서 원하시는 게 세간 사람들이 전부 알고 있는 삼성전자처럼 유명한 기업들만을 사서 보유하는 것이라면 이 포스팅은 그리 큰 도움이 도움이 되지 않을 수도 있습니다. 다만 투자실력은 기업의 주식을 보유하는 데에 있어 근거가 더 명확해질수록 더 커진다는 것을 명심하시기 바랍니다.

좋은 투자 = 매수할 이유가 명확

나쁜 투자 = 매수할 이유가 불명확

따라서 많은 이들이 주식 매수의 근거를 찾기 위해 여러 방법들을 시도해왔는데 그중 가장 큰 두 가지 부류가 기술적 분석, 기본적 분석입니다. 아마 한 번쯤은 들어보셨을 기술적 분석, 기본적 분석에 대해 함께 알아보겠습니다. 이해가 쉽도록 이전에 포스팅했던 글에 이어서 예시를 들겠습니다. 주식의 개념과 가격 변동의 이해가 필요하다고 생각하시는 분들은 읽고 오시기를 추천드립니다.

기술적 분석, 기본적 분석의 예시

위의 포스트에서 축복이와 김 씨, 최 씨, 마 씨는 축복이가 잡아오는 생선과 배의 권리를 1000주의 주식으로 나눠가졌습니다. 옆동네의 기술이 와 기본이 가 축복이 회사 주식의 존재를 알고는 고민하기 시작합니다. 과연 축복회사(축복이네 회사)의 주식을 살만한가? 기본이 는 축복회사가 생선을 얼마나 잘 잡아오는지, 회사의 창립자인 축복이와 김씨 등이 믿을만한 사람인지를 조사해보았습니다. 꾸준히 잡아오는 생선의 양도 늘고있고 축복회사가 생선이 너무 잘 잡혀 배를 한척 더 살까 고민 중이라는 소식도 듣게 됩니다. 동네에는 축복이가 성실하기로 소문이 나있고 동업자인 김 씨도 경영을 잘하기로 유명하다는군요. 기본이 는 축복회사의 주식을 사기로 결정합니다. 기술이 도 축복회사의 주식을 살만한지 조사를 시작합니다. 축복회사 주식의 가격이 1주당 만원에서 2만 기술 분석의 개념 기술 분석의 개념 원까지 오르더니 지금은 25000원을 준다고 해도 주식을 먼저 매수한 사람들이 잘 내놓으려고 하지 않는다는 것을 알게 됩니다. 또 가격이 계속해서 오르고 있기에 기술이 가 주식을 사도 당분간은 계속 오를 것이라고 생각됩니다. 기술이 도 축복회사의 주식을 사기로 결정합니다. 옆동네 친구들의 이름에서 알 수 있듯 아주 기초적인 방법이긴 하지만 이 친구들은 서로 다른 근거를 가지고 축복회사의 주식을 매수했습니다. 이 친구들의 근거를 정리해보면 아래와 같습니다.

기본이 : 축복회사의 생선 포획량, 창립자인 축복이와 김씨의 평판, 회사의 성장성

기술이 : 축복회사 주식 가격의 움직임, 주식을 사려는 사람들이 얼마나 많은가

옆동네 친구들이 축복회사의 주식을 보는 두 가지 시각이 각각 기본적 분석, 기술적 분석입니다. 물론 워낙 오랜기간동안 많은 사람들이 각각의 분석방법에 대해 분석, 조사하며 발전시켜왔기에 수많은 기술들이 존재합니다. 짧은 기간에 두가지 분석법의 모든 기법을 설명드릴 수는 없기에 이번 포스팅에서는 큰 맥락을 잡을 수 있도록 개념만 정리하도록 하겠습니다.

DBpia

비밀번호를 변경하신 지 90일 이상 지났습니다.
개인정보 보호를 위해 비밀번호를 변경해 주세요.

비밀번호를 변경하신 지 90일 이상 지났습니다.
개인정보 보호를 위해 비밀번호를 변경해 주세요.

간편 교외 인증 이벤트 응모

표지

내서재 담기 미리보기 이용하기

초록·키워드 목차 오류제보하기

가상현실 콘텐츠에 대한 관심이 높아지고 있는 가운데, 가상현실영화라는 새로운 타입의 가상현실 콘텐츠가 대두되고 있다. 현재까지 가상현실영화는 가상현실 콘텐츠와 혼용해서 사용되고 있으나, 가상현실영화는 가상현실 플랫폼에서 상영되는 것을 가정으로 하고 만든 영화로 가상현실 디바이스를 이용하여 영화를 감상할 수 있으며 가상공간 안에 구현된 영화 속으로 들어가 영화가 가진 연출이나 내러티브를 따라가며 감상할 수 있다는 특성이 존재한다. 가상현실영화는 그동안 물리적인 몰입감만 주어지던 가상현실 콘텐츠와 다르게 영화적인 연출이나 스토리에 따라서 관객에게 환희와 같은 감동을 줄 수 있는 감성적인 몰입감을 제공한다. 가상현실영화는 최근에 생긴 현상으로 국내외를 비롯한 전 세계적으로 여러 시도들만 이루어지고 있는 상황이며, 아직까지는 주도적인 킬러 콘텐츠가 생겨나기 전이다. 그러나 할리우드를 비롯한 여러 회사들이 가상현실영화의 잠재력을 알아보고 콘텐츠를 제작하기 시작하였으며 그에 필요한 기술들을 개발하기 시작했다. 가상현실영화는 기본적으로 영화의 제작 프로세스를 따르고 있으나 기존 영화 제작 프로세스와 다른 가상현실영화 만의 제작 기술인 360도 화면에 맞는 영상 제작, 인터랙션, 360도 화면에 맞는 출력 방법이 존재하고 있다. 본 연구에서는 이에 대해 살펴보며 현재까지 해결되고 있지 않은 몇몇의 문제점에 대해 알아보고 해결책을 제시한다. 국내에서도 가상현실영화에 대해 몇몇의 시도들이 이루어지고 있지만 아직은 걸음마 단계라고 볼 수 있다. 따라서 앞으로 가상현실영화에 대해 지속적인 연구와 콘텐츠 개발을 통해 국내의 가상현실영화가 해외로 수출되기를 기대해 본다. #가상현실영화 #가상현실 콘텐츠 #감성적인 몰입감 #360도 화면 촬영 #Virtual Reality Movie #Virtual Reality Contents #Emotional Immersion #Filming of 360 Degree Environment

1. 서론
2. 가상현실 현황
3. 가상현실영화란?
4. 가상현실영화의 제작 사례
5. 가상현실영화의 제작 기술
6. 결론
참고문헌
Abstract

다변량 분석

다변량분석(Multivariate analysis)이란 여러 현상이나 사건에 대한 측정치를 개별적으로 분석하지 않고 동시에 한번에 분석하는 통계적 기법을 말한다. 즉 여러 변인들 간의 관계성을 동시에 고려해 그 효과를 밝히는 것이다. 이때 여러 변인을 동시에 고려하려다 보니 다변량 분포는 평면상의 면적이 아니라 공간상의 입체적 표현이 필요하게 된다. 그러나 이 경우에도 4차원 이상의 데이터는 이를 시각적으로 표현하기 어렵게 된다. 이 경우 실제로는 공간상에 표현이 불가능하더라도 논리적으로는 3차원 공간의 분석기법을 확장해 이용하게 된다.
결국 다변량 분석은 여러 변인들의 효과를 동시에 분석하기에 종속변인에 대한 효과가 개별평균(혹은 변량)이 아니라, 여러 변인들간의 선형조합(평균벡터)으로 해석된다는 점에서 단변량 또는 이변량 분석과는 차이가 있다.
다변량데이터의 통계처리에는 선형대수에서의 벡터와 확률개념이 그 밑바탕이 된다. 그리고 그러한 이론적 배경 위에서 주성분분석(PCA, Principal Component Analysis), 요인분석(Factor Analysis), 경로모형과 구조방정식 모형(SEM, Structural Equation Model) 및 다양한 판별분석이론 ? 예컨대 선형판별분석(LDA, Linear Discriminant Analysis) 및 중다판별분석(Multiple Discriminant Analysis) 등이 응용분야로 발전해 왔다.

여러 가지 종류의 다변량 분석기법

[그림 Ⅳ-2-9] 여러 가지 종류의 다변량 분석기법

여기서는 다변량데이터에 대해 그 모습을 손쉽게 파악하기 위해 R에서 제공하는 편리한 명령어들을 요약통계 내지 기술(기술)통계의 관점 살펴본 후 다변량데이터의 상관관계를 계산하는 방법을 소개하고 응용분야로서는 판별분석에 R을 이용하는 방법을 알아보는 것으로 한다.

다변량데이터의 요약통계

다변량데이터를 표현하고 분석하는 방법은 일변량 및 이변량과 유사하다. 단지 여러 변수를 나누어 분석하는 대신 한꺼번에 (동시에) 분석한다는 차이가 있을 뿐이다.

R의 기본 명령어를 이용하는 방법

다변량데이터의 요약을 위해 R에서 제공되는 명령어를 크게 세 가지로 나누어 살펴 본다.



조사 또는 연구 결과를 요약(범주형 데이터로 표현)
table()은 데이터를 요약표(contingency table)로 나타내는 명령이고 ftable() 함수는 데이터의 변량이 커질 때 이것이 하나의 그림에 표현될 수 있도록 납작하게(Flattened) 변형시킨 것을 말한다.
아래의 R 코드에서는 student.expense라는 데이터에 대해 이들 함수를 이용하는 모습을 보여주고 있다. 이 데이터는 학생들의 용돈 지출 내역을 조사한 데이터로서 휴대폰, 케이블 TV시청, 인터넷 및 자동차 등에 지출하는 모습을 보여주는데 table() 함수와 ftable()을 통해 그 내용을 요약하고 있다.

범주형 데이터

범주형 데이터

위에서 ftable() 사용 시 col.vars=를 통해 컬럼 이름을 표에 맞추도록 하고 있다.
독립적인 여러 표본을 비교
boxplot()은 어쩌면 기술통계와 관련해 R 에서 가장 많이 그리고 가장 효과적으로 사용되는 함수 중 하나다. 아래 예에서는 ewr 데이터를 통해 그 활용을 보여주는데 ewr데이터는 미국 뉴욕 공항의 이착륙 데이터다.

코드

코드

다음 [그림 Ⅳ-2-10]에서는 항공사별 이착륙 소요시간에 대해 boxplot() 함수를 적용해 최대값/최소값과 사분위값 및 중앙값 등을 한 눈에 알아보도록 표현하고 있다.

상자도표를 이용한 항공사별 이착륙 소요시간 비교

[그림 Ⅳ-2-10] 상자도표를 이용한 항공사별 이착륙 소요시간 비교


표본 내에서 수 많은 변수(변인)의 관계를 찾아봄
Scatterplot을 통해 두 변수 또는 그 이상 여러 변수 사이의 관계를 손쉽게 분석할 수 있다. 아래 예에서는 babies 데이터를 이용하는데 여기에는 1,200여 명의 임신과 출산에 대한 정보가 수록돼 있다.
데이터 정제를 위해 데이터 값이 ‘999’인 것을 NA로 표시한 후 임신기간이 길어짐에 따라 아기의 몸무게가 어떻게 변화하는가를 살펴 보고 있다.

코드

산점도(scatter plot)를 이용한 두 변량의 관계 분석

[그림 Ⅳ-2-11] 산점도(scatter plot)를 이용한 두 변량의 관계 분석

아래에서는 한 걸음 나아가 위의 데이터에 산모의 흡연 여부에 따른 변화를 동시에 보여주고 있다.

코드

그림 Ⅳ-2-11에 산모흡연 여부를 추가시킨 모습

[그림 Ⅳ-2-12] 그림 Ⅳ-2-11에 산모흡연 여부를 추가시킨 모습

여러 개의 산포도를 한 화면에 보여주는 명령어가 pairs()인데 아래에서는 이러한 모습을 붓꽃 (Iris)데이터를 통해 보여주고 있다.

코드

pairs()를 통해 여러 산포도를 한 화면에 보여주는 모습

[그림 Ⅳ-2-13] pairs()를 통해 여러 산포도를 한 화면에 보여주는 모습

모델 내 공식을 지정하는 방법

두 번째 변수의 값이 여러 차원(level)을 갖는 것일 때는 그 관계를 표현해 주는 별도의 모델 표현식(model-formula)을 이용하는 것이 좋다. 특히 대표적인 것이 plot() 및 boxplot()과 같은 것인데 이들은 모두 원형(generic) 함수다. 원형함수란 객체지향 프로그래밍 기법을 기반으로 함수에 적용되는 대상 객체가 어떤 것이냐에 따라 적용되는 함수 내용이 자동으로 달라지는 것을 의미한다. 다음은 boxplot에 대해 모델 표현식을 적용한 예다.

코드

상자도표에 모델식 적용한 모습

[그림 Ⅳ-2-14] 상자도표에 모델식 적용한 모습

한편 분할표 내지 교차참조표(cross-table)는 흔히 사용되는 요약표인데 R에서도 여러 가지 명령어를 통해 구현할 수 있다. 여기서는 가장 대표적인 xtabs()를 이용하는 예를 살펴본다.
데이터는 UCBAdmissions16)로서 1973년도 미국의 버클리(Berkeley)대학교의 대학원 지망생의 합격여부를 남여별로 분류한 것인데 xtabs() 함수를 이용해 합격자 수의 비율상에 성별 차이가 존재하는지를 분석하고 있다.

코드

Lattice 그래픽의 이용

Lattice 그래픽은 Cleveland의 Trellis 그래픽 기법에 의거한 것으로서 그래픽이 여러 개의 panel로 구성되는 것을 전제로 각 panel 이 변수의 조건에 상응하도록 한다는 특징을 가진다. lattice 함수는 호출 시에 model-formula 인터페이스를 지정하게 돼 있다. Lattice 패키지에는 많은 함수가 있는데 여기서는 bwplot()의 이용 예를 보고자 한다. bwplot()은 변수의 차원(level) 별로 Box and Whisker plot 을 그려주는 것인데 여기서는 흡연 유무 별로 연간소득과 임신기간의 관계를 분석하고 있다.

코드

Lattis 그래픽을 이용한 흡연유무 및 소득이 임신기간에 미치는 영향 분석

[그림 Ⅳ-2-15] Lattis 그래픽을 이용한 흡연유무 및 소득이 임신기간에 미치는 영향 분석

다변량데이터의 상관관계 계산

다변량 상관관계(multivariate correlation) 혹은 다중상관관계(multiple correlation) 분석은 셋 또는 그 이상의 변수 간 관계를 분석하는 것을 말한다. 우선 MANOVA를 살펴본다.
앞서 둘 이상의 집단의 평균을 비교하기 위해 ANOVA를 이용하는 것을 보았는데 여기서 한 걸음 나아간 것이 MANOVA다.

ANOVA는 종속변수가 1개인 반면에 MANOVA는 종속변수가 2개 또는 그 이상인 경우 집단평균들을 비교하는 것으로서 다음과 같은 가정이 전제되는 경우에 이용하게 된다.

  • 관측치가 서로 독립적이다.
  • 각 집단의 분산과 공분산 행렬이 동일하다.
  • 모든 종속변수들은 다변량 정규분포를 따른다.

여기서 ANOVA와 MANOVA의 차이점을 나열하면 다음과 같다.

  • MANOVA는 종속변수의 조합에 대한 효과를 동시에 검정한다. 즉 대부분의 종속변수들이 서로 상관관계가 있기 때문에 MANOVA는 ANOVA보다 집단에 결합된 차이와 집단 간의 차이를 밝히는데 더 유용하다.
  • MANOVA 설계의 특징은 종속변수가 벡터변수라는 점이다.
  • ANOVA로 여러 개의 종속변수를 평가하려면, 기술 분석의 개념 각각 따로 따로 분석을 해야 하기 때문에 ANOVA로 분석하게 되면 오차의 확률이 커진다. 그러나 MANOVA는 단 한번의 분석만을 하므로 이러한 위험성이 제거된다.

아래의 예는 HSAUR 패키지17)의 skulls 데이터를 다루는 것으로, 이집트의 5개 왕조 시대 것으로 예측되는 유해의 해골 치수에 대한 데이터다.

코드

코드

코드

판별분석이란 모수통계에서의 기술 분석의 개념 분류기법 중 하나로서 여러 그룹에 속하는 개체들이 있다고 할 때 이들에 관해 측정된 변수 값을 이용해서 각각이 속한 집단을 가장 잘 판별할 수 있도록 모델을 수립하고 이를 평가하는 작업을 말한다. 즉 대표적인 감독형 학습(supervised learning) 모델링 기법 가운데 하나다. 따라서 판별분석을 위해서는 여러 집단에 관해 공통적으로 측정된 변수들을 설명변수로 하게 되는데 다음을 전제로 해 진행된다.

  • 측정변수들의 벡터는 각각 다변량 정규분포를 따른다.
  • 변수들 간의 분산-공분산행렬은 동일하다.

판별함수는 Fisher의 선형판별함수가 대표적인데 다음과 같이 표현된다.

Fisher의 선형판별함수

클래스 내의 분포(within-class scatter)와 클래스 간 분포(between-class scatter)를 비교하되 그룹 간 분리도를 최대로 하는 판별계수를 발견해 낸다. 판별함수의 유의성 판단은 관측자료에서 유도된 판별함수 즉, 모델에 관찰값을 적용해 실제 값과 비교하는 방식으로 이뤄진다.
유의할 점은 판별분석에서의 종속변수는 범주형 데이터 타입이라는 점에서 수치형 데이터를 종속변수로 하는 회귀분석과 구별된다는 점이다.

R을 이용한 예

아래 예에서는 붓꽃 (Iris) 에 대해 4가지 속성(꽃받침의 넓이와 길이 그리고 꽃잎의 넓이와 길이)을 이용해 붓꽃을 종류(C, S, V)별로 분류하는 모델을 수립ㆍ검정하는 모습이다.

코드

코드

판별분석을 위한 lda() 함수는 MASS 패키지에 수록되어 있으며 표준형은 다음과 같다.

함수표준형/옵션파라미터

또한 Iris3 데이터(iris3라는 이름으로서 R에서 기본적으로 제공되는 3차원 형태의 데이터 세트다)를 읽어서 Iris라는 이름으로 데이터프레임을 생성하고 분석에 앞서 있는 그대로의 모습을 보기 위해 plot() 함수를 이용했다. plot() 내에서는 col-Iris[,5]를 통해 5번째 변수인 붓꽃 종류(Sp: spieces)를 기준으로 색깔 구별을 지정한 결과, 다음 그림으로 출력됐다. 얼핏 보기에도 색깔 별로 세 종류의 붓꽃이 확연히 구별되는 것을 알 수 있다. 이제 본격적으로 판별모델을 수립하게 된다.

색깔로 구분ㆍ표시한 Iris 종별 분석

[그림 Ⅳ-2-16] 색깔로 구분ㆍ표시한 Iris 종별 분석

splom() 함수는 'scatter plot matrix' 즉 matrix에 대한 산포도를 그려주는 lattice 패키지 내의 함수이며, 적용 결과는 다음의 그림으로 나타나 있다.

Lattis 패지지의 splom() 함수를 이용한 매트릭스 데이터의 산포도

[그림 Ⅳ-2-17] Lattis 패지지의 splom() 함수를 이용한 매트릭스 데이터의 산포도

판별분석의 핵심함수는 MASS 패키지의 lda() 함수이며, 여러 가지 형태로 인자를 지정할 수 있다. 여기서는 가장 단순한 형태로 Sp를 목적변수(내지 종속변수)로 하되 설명변수로는 “.”을 통해 나머지 변수를 동원하는 방식으로 붓꽃 종류를 최대한 정확하게 분류ㆍ예측할 수 있는 판별함수를 수립했다. prior=를 통해서는 사전확률을 지정할 수 있다. 여기서는 3가지 붓꽃에 대해 동일한 확률 (각 1/3)을 적용했다.

이제 lda() 함수를 통해 2가지의 판별함수(LD1, LD2)가 계산됐는데 이들의 'Proportion of trace' 값을 통해 LD1이 거의 모든 (98%) 변량을, 즉 그룹간의 차이점을 설명해 주고 있음을 알 수 있다.
이제 이 판별함수의 class가 z 객체에 저장됐고, 이를 이용해 훈련데이터를 제외한 나머지 Iris 데이터(Iris[-train,])에 적용한 최종결과가 z.p에 저장됐다.

판별분석은 통상 두 가지 목적으로 이용될 수 있다. 첫째, 두 개 이상의 집단에 속한 항목에 대해 어느 집단에 더 잘 속하는지를 판별해 주는 변인을 보여준다. 이를 ‘기술적 분석(descriptive discriminant analysis)’이라고 한다. 둘째로는 소속집단이 불명확할 때 이 항목이 속한 집단을 예측하는 것으로서 이를 ‘예언적(predictive) 판별분석’이라고 한다.
판별분석에는 두 개의 집단(생존집단과 사망집단)을 판별하는 경우도 있고 3개 이상의 집단을 판별하는 경우도 있는데 후자를 중다판별분석(Multiple discriminant analysis)기술 분석의 개념 이라고 부른다.
이론은 비교적 단순하지만 예측 정확도가 높아서 실무에서 많이 사용되고 있다. 실제 적용하는 방식에는 Fisher의 판별함수 외에도 중다회귀방식, Mahalanobis의 D2방식 등 다양한 알고리즘이 제시돼 있다.
또한 선형(linear) 관계의 한계를 벗어난 이차(Quadratic) 판별식의 생성과 이용을 위한 qda() 함수도 MASS 패키지 내에 제시돼 있다.


0 개 댓글

답장을 남겨주세요