식물 생육 데이터를 활용한 Azure 머신러닝 최적화 모델 구현에 관한 연구
A Study on the Implementation of Azure Machine Learning Optimization Model Using Plant Growth Data
- 주제(키워드) 도움말 Plants , Cloud , Smart Farm , Azure , Analysis , Machine learning
- 발행기관 강릉원주대학교 일반대학원
- 지도교수 도움말 김백기
- 발행년도 2022
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 의료기기융복합학과
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/kangnung/000000011372
- UCI I804:42001-000000011372
- 본문언어 한국어
초록/요약 도움말
농작물 생산은 인간의 환경과 기후에 영향을 받기 쉽다. 스마트팜은 자동화된 시스템으로 운영되기 때문에 인건비를 절감할 수 있고 정해진 숫자로 일정 수준의 농작물 상태를 유지할 수 있어 기후에 미치는 영향이 적다. 본 연구에서는 작물의 생육 데이터를 Azure Synapse Analytic 이용하여 데이터를 전처리하고 Azure 머신러닝으로 생육 데이터를 분석하여 최적화 모델을 구현하는 것에 관해 연구를 진행하였다. 또한 각 모델의 분석 정보를 확인하고 최적화된 모델은 무엇인지 비교하였다. 데이터 전처리를 위해 Azure Synapse Analytic 서비스를 이용하여 Azure Blob Storage에 데이터를 업로드하고 Synapse Studio에서 SQL 스크립트를 작성하고 테이블을 생성하였다. 이후 Azure Machine Learning에서 데이터 세트를 생성하였고, 컴퓨팅 환경에서 컴퓨팅 인스턴스와 클러스터를 생성하였다. 최적화 모델을 구현하기 위해 디자이너를 사용하여 파이프라인을 구축해보았고, 자동화된 ML 서비스를 사용하여 회귀 알고리즘으로 다양한 모델을 사용하여 단동 데이터와 연동 데이터의 예측값과 실제값의 차이와 분산 정도를 확인해보았다. 또한 여러 모델의 정확도와 성능 정도를 비교해보았다. 연구 결과 단동 방식의 최적화 모델은 Stack Ensemble 알고리즘의 Random Forest와 Light GBM 모델로 나타났고, 연동 방식의 최적화 모델은 Voting Ensemble 알고리즘인 Random Forest와 Light GBM 모델로 나왔다.
more목차 도움말
표 목차 1
그림 목차 2
제 1 장 서론 3
1.1 연구 배경 3
1.2 연구 목적 4
제 2 장 이론적 연구 5
2.1 클라우드 5
2.2 클라우드 플랫폼 8
2.3 스마트팜 9
2.4 머신러닝 10
2.5 관련 연구 12
제 3 장 식물 생육 데이터를 이용한 Azure 머신러닝 최적화 모델 구현 14
3.1 식물 생육 데이터 14
3.2 Microsoft Azure Synapse Analytics를 이용한 데이터 전처리 16
3.3 Azure Machine Learning을 이용한 최적화 모델 구현 21
3.4 최적화 알고리즘 모델 비교 30
제 4 장 결론 32
참고문헌 33
