Seoung Bum Kim
고려대학교 산업공학과 · 컴퓨터과학
이 교수의 연구실은 다변량 통계 분석과 기계학습 기반의 데이터 기반 의사결정 기법을 핵심으로 하며, 특히 NMR 스펙트럼 분석, 제약 및 한의학 데이터에서의 패턴 탐색, 분자 구조 설계, 공정 모니터링 등 다양한 분야에 적용합니다. 주요 연구 방향은 데이터로부터 의미 있는 특징을 추출하고, 비모수적 기법과 딥러닝 기반 모델을 융합하여 정확성과 해석 가능성을 동시에 확보하는 데 초점이 맞춰져 있습니다. 특히, Mahalanobis-Taguchi 시스템, 부트스트랩 기반 제어도, 연관 규칙 기반 한의학 데이터 분석 등 응용 분야에서의 통계적 타당성 강화에 기여하고 있습니다.
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
Successful implementation of feature selection in nuclear magnetic resonance (NMR) spectra not only improves classification ability, but also simplifies the entire modeling process and, thus, reduces computational and analytical efforts. Principal component analysis (PCA) and partial least squares (PLS) have been widely used for feature selection in NMR spectra. However, extracting meaningful metabolite features from the reduced dimensions obtained through PCA or PLS is complicated because these
Control charts have been used effectively for years to monitor processes and detect abnormal behaviors. However, most control charts require a specific distribution to establish their control limits. The bootstrap method is a nonparametric technique that does not rely on the assumption of a parametric distribution of the observed data. Although the bootstrap technique has been used to develop univariate control charts to monitor a single process, no effort has been made to integrate the effectiv
Extracting useful and meaningful patterns from large volumes of text data is of growing importance. In the present study we analyze vast amounts of prescription data, generated from the book of oriental medicine to identify the relationships between the symptoms and the associated medicines used to treat these symptoms. The oriental medicine book used in this study (called Bangyakhappyeon) contains a large number of prescriptions to treat about 54 categorized symptoms and lists the corresponding
