[2-8] 인공지능의 분류 모델이 적용된 사례 찾기 by 찡아이

gaeul74_ — 2025-05-26 04:01:06 UTC

과제 안내

인공지능의 분류 모델이 적용된 사례를 찾아 보세요.
예: 자율주행차의 도로 표지판 인식 등
1가지 사례를 선택하여 이미지, 링크, 또는 동영상을 첨부하여 구체적으로 설명하세요.
게시물을 올린 후 다른 학생들의 사례를 확인하고 참고하세요.

2025-05-26 05:01:19 UTC

1.질병 예측 모델

목표: 환자의 특성(나이, 성별, 과거 병력 등)과 증상 데이터를 기반으로 특정 질병에 걸릴 확률을 예측하는 모델입니다.
사용 예시:
- 당뇨병 예측: 당뇨병 진단을 위한 분류 모델은 환자의 나이, 체중, 혈당 수치, 혈압, 운동 습관 등의 정보를 기반으로 당뇨병에 걸릴 확률을 예측합니다. 모델은 당뇨병 있음 또는 당뇨병 없음으로 분류합니다.
- 심장병 예측: 환자의 심장 질환 위험을 예측하는 모델은 혈압, 콜레스테롤, 흡연 여부, 운동 여부 등을 기반으로 심장병 발생 여부를 예측합니다.
- 암 예측: 유방암, 폐암, 대장암 등 다양한 암에 대해 초기 증상이나 검진 결과를 바탕으로 암의 존재 여부를 예측할 수 있습니다. 예를 들어, 유방암의 경우, 유방 촬영(Mammography) 이미지나 유전자 검사 결과를 분석하여 분류할 수 있습니다.

cctv에서 수배자를 자동으로 분류해주는 인공지능 분류모델 (20406 김태곤)

2025-05-26 05:03:03 UTC

인공지능 cctv로 수배자의 얼굴을 인식하거나 범죄가 일어나는 장면을 학습하여 범죄가 일어나면 즉시 경찰에 신고하는 등의 인공지능 분류모델이 사용될 수 있다.

20804 김서현

2025-05-26 05:03:53 UTC

결함 검사 및 품질 관리

반도체 제조 공정에서 웨이퍼 표면이나 칩에 발생하는 미세한 결함을 자동으로 탐지합니다. 수천, 수만 장의 결함 이미지와 정상 이미지 데이터를 학습한 AI가 불량품을 빠르고 정확하게 분류해 생산 효율을 높이고 불량품을 줄입니다.

휴대폰 갤러리 분류 시스템 -20718 이승준

24097_62 — 2025-05-26 05:03:57 UTC

딥러닝 모델을 사용하여 갤러리에 있는 사진들을 다양한 카테고리로 분류하여 알아보기 쉽게 만들어 준다.

스팸메일 분류 모델

2025-05-26 05:04:23 UTC

스팸메일 분류 모델은 이메일 텍스트를 분석하여 스팸과 정상 메일을 구분하는 이진 분류 문제이다. 일반적으로 TF-IDF 벡터화와 Naive Bayes, SVM, 로지스틱 회귀 같은 머신러닝 알고리즘을 사용하여 모델을 훈련시킨다. 성능 평가에는 정확도, 정밀도, 재현율 등을 사용하며, 하이퍼파라미터 튜닝을 통해 모델 성능을 개선할 수 있다.

20805김원희

2025-05-26 05:05:11 UTC

딥페이크- Face detector module

구글 Lens

2025-05-26 05:05:23 UTC

타인의 사진이나 동영상을 보거나 무언가를 보고 있을 때 특정 정보 혹은 그 물건의 정체를 궁금해 하는 경우가 있습니다(예: 옷 정보) 그럴 때 google lens를 사용하면 그 정보를 찾아낼 수 있습니다.

인공지능 과일 품질 평가 시스템

2025-05-26 05:13:37 UTC

인공지능 과일 선별기는 말 그대로 AI를 활용해 과일을 자동으로 분류하고 품질을 평가하는 시스템입니다. 쉽게 말해, 과일을 카메라로 촬영해서 AI가 그 과일이 무엇인지(예: 사과, 배, 오렌지 등) 알아내고, 그 과일의 등급(좋은 품질, 불량품 등)을 자동으로 판단하는 기술이다. 이렇게 하면, 사람이 하나하나 손으로 과일을 만져보지 않아도 자동으로 과일을 빠르고 정확하게 선별할 수 있어서, 시간과 비용을 절약하고, 실수를 줄일 수 있다.

디자인 트렌드 분류 및 예측

24137_55 — 2025-05-26 05:15:04 UTC

디자인 트렌드는 크게 데이터 수집, 특징 추출, 모델 학습 및 분류, 트렌드 예측의 네 단계로 분석하고 예측할 수 있다. 먼저 Behance, Dribbble, Instagram 등 다양한 디자인 플랫폼에서 웹사이트, 앱, 로고, 포스터 같은 디자인 자료를 수집한다. 다음으로, 수집한 디자인에서 색상, 폰트, 레이아웃, 이미지 유형, 디자인 스타일(예: 미니멀, 빈티지 등)과 같은 특징을 추출하며, 태그나 설명 같은 텍스트 정보도 함께 분석한다. 이후 CNN이나 XGBoost 같은 머신러닝 모델을 활용해 디자인을 스타일별로 분류하고, 마지막으로 LSTM이나 Transformer와 같은 시계열 딥러닝 모델을 이용해 시간에 따라 어떤 디자인 요소가 유행할지를 예측한다. 이 과정을 통해 디자이너는 앞으로 주목받을 디자인 스타일을 미리 파악하고 작업에 반영할 수 있다.