머신러닝에서 저작권 침해 검토

운박(Yun Bo),정연덕(Chung, Yeun-Dek) 한국저작권위원회 2021 계간 저작권 Vol.34 No.3

인공지능기술의 발전으로 현행 저작권법상 여러 가지 문제가 늘어나고 있다. 인공지능의 한 분야인 머신러닝(machine learning)이 타인의 저작물이나 데이터를 이용하는 행위가 과연 저작권이 면책되는지 문제가 된다. 즉, 머신러닝 기술을 통해서 허락 없이 저작물을 이용하여 인간보다 더욱 빠르게 새로운 저작물을 만들어내는 행위는 공정이용에 해당되는지 혹은 저작권 침해책임을 부담하여야 되는지 문제가 된다. 본 연구는 우선 현행 인공지능과 머신러닝에 대해 각 학설을 정리하고 인공지능 개념과 머신러닝 개념을 구별한다. 머신러닝의 3가지 종류도 검토하며, 머신러닝의 공정이용 4가지 요소를 적용 여부되는지에 검토한다. 머신러닝 과정에서 주로 표현적 내용여부를 기준으로 ‘비 표현적 머신러닝(non-expressive machine learning)’과 ‘표현적 머신러닝(expressive machine learning)’ 두 가지로 나누었다. 본문은 머신러닝의 저작물이 특정 작가에 기인하는지를 기준으로 ‘표현적 머신러닝’을 ‘일반 표현적 머신러닝(general-expressive machine learning)’과 ‘특정 표현적 머신러닝(specificexpressive machine learning)’으로 한 단계 더 구분한다. 그리고 머신러닝 유형에 따라 공정이용에 해당되는지와 저작권 침해 여부를 논의한다. 결론은 비 표현적 머신러닝은 저작권법상 저작물을 이용하는 것이 아니어서 침해책임이 없다. 일반 표현적 머신러닝은 저작권법상 저작물을 이용하여 공정이용으로 판단되기 때문에 저작권 침해책임이 없다. 특정 표현적인 머신러닝을 이용한 머신러닝은 저작권법상의 저작물을 이용하는 것에 해당하며, 공정이용으로 인정할 수 없어서 해당 저작권 침해책임을 져야 한다. 이 유형의 머신러닝은 해당 저작물 저작권자의 허락을 받거나 저작권료를 지급해야 한다. The development of artificial intelligence technology is increasing a number of problems under the current copyright law. It is doubtful whether machine learning, a field of artificial intelligence, is exempt from the use of other people’s works or dating. In other words, creating new works faster than humans using machine learning technology without the same work is a question of process requirement or copyright infringement responsibility. This study first organizes each theory about current artificial intelligence and machine learning, and distinguishes artificial intelligence concepts from machine learning concepts. It will also review three types of machine learning, and examine whether four elements of machine learning are applied or not applied. In the process of machine learning, expressive contents were divided into two categories: non-expressive machine learning and expressive machine learning based on whether or not to export them. The text further distinguishes “expressive machine learning” from “general-expressive machine learning” and “specific-expressive machine learning” based on whether the work of machine learning is attributable to a specific author. In addition, depending on the type of machine learning, it is discussed whether it corresponds to the use of the process or whether it violates copyright. The bottom line is that non-expression machine learning does not use works under copyright law, so it is not responsible for infringement. General expressive machine learning is not responsible for copyright infringement because it is judged to be used as a process using works under the Copyright Act. Machine learning using specific expressive machine learning corresponds to the use of works under the Copyright Act, and cannot be recognized as a fair use, so it is responsible for copyright infringement. This type of machine learning requires permission from the copyright holder or payment of copyright fees.

물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램의 교육적 효과

최정인(Jung-In Choi),백성혜(Seoung-Hey Paik) 학습자중심교과교육학회 2023 학습자중심교과교육연구 Vol.23 No.2

목적 본 연구에서는 초·중등 과학교사를 대상으로 물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램을 개발 및 실행하여 물질의 상태 분류 머신러닝 모델을 구축하였다. 그리고 모델의 평가 및 과학교사들의 경험을 질적 분석하여 프로그램의 효과성 및 과학수업에 머신러닝을 적용하는 것에 대한 과학교사들의 인식을 확인하고자 하였다. 방법 이를 위하여 중부권 소재의 사범대학의 교육대학원에 재학 중인 초·중등 과학교사 31명을 대상으로 총 3회의 물질의 상태 분류 활동을 수행하고 의사결정트리 알고리즘을 적용한 머신러닝 모델로 구축하였다. 그리고 정확도, F1-score 등 모델 성능 평가를 통해 프로그램의 효과성을 확인하였다. 또한 과학교사들이 머신러닝의 적용에 대해 갖는 생각을 질적 분석하였다. 결과 총 3회의 물질의 상태 분류 활동 동안 구축된 모델의 성능 평가 결과 정확도, F1-score 등의 값이 정적으로 증가하여 물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램의 교육적 효과가 있는 것으로 판단되었다. 그리고 연구 참여자들의 머신러닝 모델 생성을 위한 데이터를 분석한 결과, 지식에 근거한 연역적 사고과정을 통해 물질의 상태를 분류하는 경우가 있음이 드러났다. 머신러닝 모델의 분류 성능을 비교한 결과 미시적 분류 기준보다는 거시적 분류 기준이 더 큰 영향을 주었으며, 물질의 사례별 연구 참여자와 머신러닝 모델의 분류 결과를 비교하였을 때 혼합물의 경우 불일치도가 증가하였다. 또한 질적 연구 분석을 통해 연구 참여자들이 머신러닝의 적용에 대해 갖는 생각을 ‘과학 개념의 생성 과정 체험’, ‘인지갈등’, ‘의사소통’ 등 9개의 주제로 도출하였다. 결론 머신러닝을 과학교육의 탐구학습 방안으로 교사교육에 적극 도입하여야 하며, 머신러닝 기반 교육 프로그램을 토대로 귀납적 사고와 같은 과학적 추론 과정을 제대로 반영할 수 있는 교과서 등의 교육 자료가 개발되어야 하겠다. 그리고 혼합물을 물질의 상태 분류 학습에 포함시켜야 하는가에 대한 과학적 관점에서의 논의가 필요하다. Objectives In this study, a machine learning-based teacher education program for classifying the state of matter was developed and implemented for elementary and secondary science teachers and machine learning model for state classification of matter was established. And by analyzing the model evaluation and the experience of science teachers qualitatively, it was attempted to confirm the effectiveness of the program and the perception of science teachers about the application of machine learning to science classes. Methods For 31 elementary and middle school science teachers enrolled in the Graduate School of Education at the College of Education located in the central region, a total of three matter classification activities were performed and a decision tree algorithm was applied to the machine learning model. And the effectiveness of the program was confirmed through model performance evaluation such as accuracy and F1-score. In addition, we qualitatively analyzed the thoughts of science teachers on the application of machine learning. Results TAs a result of evaluating the performance of the built model during a total of 3 state of matter classification activities, it was determined that the accuracy and F1-score values increased statically, resulting in the educational effect of the Machine Learning-Based Teacher Education Program on the Classifying State of Matter. And as a result of analyzing the data of the study participants, it was revealed that there are cases in which the states of matter are classified through a deductive thinking process based on knowledge. As a result of comparing evaluation indicators of the machine learning models, the macroscopic classification criteria had a greater effect than the microscopic classification criteria. And when the classification results between the machine learning model and the research participants for various examples were compared, in the case of mixtures, the degree of inconsistency increased. In addition, through qualitative research analysis, the thoughts of science teachers on the application of machine learning were derived into nine topics, including ‘experience the process of creating science concepts’, ‘cognitive conflict’, and ‘communication’. Conclusions Machine learning should be actively introduced into teacher education as an inquiry-learning method of science education. And educational materials such as textbooks that can properly reflect scientific reasoning processes such as inductive thinking should be developed based on machine learning-based education programs. And it is necessary to discuss from a scientific point of view whether mixtures should be included in the learning of Classifying State of Matter.

Analysis on Trends of No-Code Machine Learning Tools

Yo-Seob Lee,Phil-Joo Moon 국제문화기술진흥원 2022 International Journal of Advanced Culture Technolo Vol.10 No.4

The amount of digital text data is growing exponentially, and many machine learning solutions are being used to monitor and manage this data. Artificial intelligence and machine learning are used in many areas of our daily lives, but the underlying processes and concepts are not easy for most people to understand. At a time when many experts are needed to run a machine learning solution, no-code machine learning tools are a good solution. No-code machine learning tools is a platform that enables machine learning functions to be performed without engineers or developers. The latest No-Code machine learning tools run in your browser, so you don't need to install any additional software, and the simple GUI interface makes them easy to use. Using these platforms can save you a lot of money and time because there is less skill and less code to write. No-Code machine learning tools make it easy to understand artificial intelligence and machine learning. In this paper, we examine No-Code machine learning tools and compare their features.

PSO 알고리즘을 이용한 퍼지 Extreme Learning Machine 최적화

노석범(Seok-Beom Roh),王繼紅(Jihong Wang),김용수(Yong-Soo Kim),안태천(Tae-Chon Ahn) 한국지능시스템학회 2016 한국지능시스템학회논문지 Vol.26 No.1

본 논문에서는 일반적인 신경회로망의 단점인 느린 학습속도를 획기적으로 개선한 네트워크인 Extreme Learning Machine과 전문가들의 언어적 정보들을 기술 할 수 있는 퍼지 이론을 접목한 퍼지 Extreme Learning Machine을 최적화하기 위하여 Particle Swarm Optimization 알고리즘을 이용하였다. 퍼지 Extreme Learning Machine의 활성화 함수를 일반적인 시그모이드 함수를 사용하지 않고, 퍼지 C-Means 클러스터링 알고리즘의 활성화 레벨 함수를 이용하였다. Particle Swarm Optimization 알고리즘과 같은 최적화 알고리즘을 통하여 퍼지 Extreme Learning Machine의 활성화 함수의 파라미터들을 최적화 한다. Particle Swarm Optimization과 같은 최적화 알고리즘을 통한 제안된 모델의 최적화 하고 최적화된 모델의 분류성능을 평가하기 위하여 다양한 머신 러닝 데이터 집합을 사용하여 평가한다. In this paper, optimization technique such as particle swarm optimization was used to optimize the parameters of fuzzy Extreme Learning Machine. While the learning speed of conventional neural networks is very slow, that of Extreme Learning Machine is very fast. Fuzzy Extreme Learning Machine is composed of the Extreme Learning Machine with very fast learning speed and fuzzy logic which can represent the linguistic information of the field experts. The general sigmoid function is used for the activation function of Extreme Learning Machine. However, the activation function of Fuzzy Extreme Learning Machine is the membership function which is defined in the procedure of fuzzy C-Means clustering algorithm. We optimize the parameters of the membership functions by using optimization technique such as Particle Swarm Optimization. In order to validate the classification capability of the proposed classifier, we make several experiments with the various machine learning datas.

기계학습: 대용량/패널자료와 학습분석학 자료 분석으로의 활용

유진은 ( Jin Eun Yoo ) 한국교육공학회 2019 교육공학연구 Vol.35 No.S

컴퓨터공학을 비롯한 여러 학문에서 주목을 받고 있는 기계학습 기법은 전자상거래, 유전체학, 자연어 분석, 의료영상처리, 자율주행자동차 등의 다양한 분야에 성공적으로 응용되고 있다. 반면, 기계학습을 이용한 교육 연구는 상대적으로 많지 않으며, 기계학습 자체에 대한 교육 분야 연구자들의 이해 또한 높지 않다. 본 연구는 기계학습의 정의로부터 시작하여 주요 개념인 추론과 예측, 과적합, 편향-분산 상충 관계, 교차검증, 지도학습과 비지도학습 등을 설명하며 기계학습을 전반적으로 개관하였다. 이어서 2019년 현재 교육분야에서 기계학습 기법을 쓴 연구와 학습분석학 자료를 활용한 연구를 정리·분석함으로써, 교육 분야 연구자들의 기계학습에 대한 이해도를 높이고 교육 연구에서 기계학습의 저변을 넓히고자 하였다. 분석 결과, 기계학습 기법 중 지도학습 기법인 벌점회귀모형과 랜덤포레스트가 다양한 교육 대용량/패널 자료 분석에 활용되었으며 비지도학습의 경우 온라인 텍스트 자료 분석 위주로 실시된 것을 확인하였다. 학습분석학 자료의 경우 아직 기계학습 기법이 충분히 활용되지 못한 것으로 보인다. 마지막으로 기계학습을 활용하는 교육 연구의 향후 과제를 교육 대용량/패널자료의 특징과 연계하여 고찰하고, 학습분석학자료 분석과 관련한 기계학습 기법의 활용 방안을 논하였다. Mainly developed in computer engineering/science, machine learning not only has been gaining popularity in academics, but also has been successfully applied to various fields of life including online retail business, genomics/health care, natural language processing, and self-driving cars. Nonetheless, there have been only a handful of machine learning studies in education, and accordingly educational researchers are not well-informed about machine learning. Starting with an overview of machine learning including its definition and key concepts such as prediction and overfitting, this article reviewed machine learning studies in education, which will help improve understanding of and propagate applications of machine learning techniques in the educational research community. Specifically, penalized regression and random forests have been employed to analyze large-scale/panel data as supervised learning, and text mining with LDA (Latent Dirichlet Allocation) has been frequently used as unsupervised learning in the field of education. Applying machine learning techniques to learning analytics data appears to need much improvement. Lastly, future research topics are discussed, particularly for researchers using large-scale/ panel data and learning analytics data.

4차 산업혁명 시대의 무역경영 분야에서 머신러닝 활용 방안에 관한 연구

박영현 한국무역경영학회 2023 한국무역경영연구 Vol.- No.30

Since John McCarthy first used the term artificial intelligence (AI) at a conference held at Dartmouth College in 1956, artificial intelligence has grown along with the introduction of natural language processing and multilayer neural networks. Since the 21st century, deep learning has been announced, and unsupervised learning methods have become possible. Artificial intelligence is already demonstrating its ability to exceed human levels in some fields, and with the recent emergence of generative artificial intelligence, it presents various possibilities in the creative field, and the public's interest and trust in it are greatly increasing. am. In this way, the possibility of using artificial intelligence and how to apply it are being discussed in various fields, and a favorable approach to artificial intelligence is being made in the industrial aspect in the field of trade. What is needed to implement this artificial intelligence is machine learning and big data, which trains computers to learn from data and improve through experience, instead of explicitly programming computers as in the traditional way. Subcomponents of machine learning include deep learning and neural networks. In machine learning, algorithms find patterns and correlations in large-scale data sets and make optimal decisions and predictions based on analysis. At this time, big data is the learning material necessary for learning machine learning. Therefore, for artificial intelligence, machine learning and big data are essential and complementary to each other. However, research on machine learning in the field of trade management has not yet been activated, and although some studies are being conducted, its scope and application are still insufficient. Therefore, in this study, through previous research on artificial intelligence, machine learning, and deep learning, we analyzed the existing research trends on artificial intelligence, and suggested ways to activate machine learning in the field of trade management and policy proposals to improve our understanding of this field. I would like to contribute to follow-up research. 1956년 미국 다트머스 대학교에서 개최된 학회에서 미국 인지심리학자이자 컴퓨터과학자인 존 매카시(John McCarthy)가 인공지능(Artificial Intelligence; AI)이라는 용어를 처음 사용한 이래로 인공지능은 자연어처리나 다층 신경회로망의 도입과 함께 크게 성장하였다. 21세기 이후로는 딥러닝(Deep Learning)이 발표되면서 비지도 학습방법이 가능하게 되었으며, 국내에서는 2016년 알파고와 이세돌 9단의 바둑 대결이 이루어지면서 크게 화제가 되기도 하였다. 이미 인공지능은 일부 분야에 있어서 인간의 수준을 뛰어넘는 능력을 발휘하고 있으며, 최근에는 생성형 인공지능의 등장으로 창작 영역에 있어서도 다양한 가능성을 제시하고 이에 대한 대중의 관심과 신뢰도 크게 증가하고 있는 추세이다. 이와 같이 다양한 분야에서 인공지능 활용 가능성과 적용 방법에 대해 논의하고 있으며, 무역 분야에 있어서도 산업 측면에서 인공지능에 대한 호의적인 접근이 이루어지고 있다. 인공지능에 긍정적인 측에서는 인공지능의 발전이 스스로 가장 적절한 바이어를 찾아서 계약을 체결하고 무역서류를 만들어 송부하는 등의 무역 전반의 업무를 AI가 대체할 수 있을 것으로 기대하고 있다. 또한 결제 사기나 선적 사기와 같은 무역 사기 등을 원천 차단하여 무역 리스크를 경감시키고 무역 및 산업동향을 분석하고 예측하는데도 기여할 것으로 여겨진다. 이러한 인공지능을 구현하기 위해 필요한 것이 머신러닝과 빅데이터로, 기존 방식처럼 명시적으로 컴퓨터를 프로그래밍하는 대신에 컴퓨터가 데이터를 통해 학습하고 경험을 통해 개선하도록 훈련시키는 것이다. 머신러닝의 하위 구성요소로는 딥러닝과, 신경망(Neural networks)이 있다. 머신러닝에서 알고리즘은 대규모 데이터 세트에서 상관관계와 패턴을 찾고 분석을 통해 최적의 의사결정과 예측을 수행하도록 하는데, 이때 머신러닝의 학습을 위해 필요한 학습자료가 빅데이터라고 할 수 있다. 따라서 인공지능을 위해서 머신러닝과 빅데이터는 서로 필수적이며 보완적인 상호관계에 있다. 다만, 무역경영 분야에 있어서 머신러닝에 대한 연구는 아직 활성화가 되어 있지 않으며, 일부 연구가 이루어지고는 있으나 그 범주나 활용은 아직 미비하다고 할 수 있다. 이에 본 연구에서는 인공지능, 머신러닝, 딥러닝에 대한 선행연구를 통해 인공지능에 대한 기존의 연구 동향을 분석하고, 무역경영 분야에 대한 머신러닝의 활성화 방안과 정책적 제언을 제시하여 이 분야에 대한 후속 연구에 기여하고자 한다.

Analysis on Trends of Machine Learning-as-a-Service

Yo-Seob Lee 국제문화기술진흥원 2018 International Journal of Advanced Culture Technolo Vol.6 No.4

Demand is increasing rapidly in recent years than supply to machine learning professionals. To alleviate this gap, user-friendly machine learning software that can be used by non-specialists has emerged, which is Machine Learning-as-a-Service(MLaaS). MLaaS provides services that enable businesses to easily leverage ML capabilities without expertise. In this paper, we will compare and analyze features, interfaces, supporting programming language, ML framework, and Machine Learning services of MLaaS, to help companies easily use ML service.

자동화 머신러닝 시스템의 개념적 디자인을 적용한 프로토타입의 개발

구자영,김효성 한국정보과학회 2020 정보과학회 컴퓨팅의 실제 논문지 Vol.26 No.6

In this paper, we propose the concept of a fully automated machine learning system based on an open-source. In recent years, automated machine learning systems have been developed by global software companies that can easily perform machine learning analysis while reducing the cost of developing the machine learning system. However, fully automated machine learning has not been developed. Additionally, existing systems are limited to specific fields. In this paper, we proposed a prototype that can automate the whole process of variable selection, model selection, and hyperparameter tuning. Also, to check the possibility that the prototype works reliably in real-market applications, we conducted stock price prediction pilot tests using the KOSPI stocks. In the near future, the concept can be applied to a variety of applications and will be of major benefit to small and medium-sized enterprises that cannot develop their data analysis models because of high development costs. Also, it is expected that this concept will improve accessibility to machine learning technology and contribute to the popularization of machine learning. 이 논문에서는 오픈소스기반의 자동화된 머신러닝시스템의 개념을 제안한다. 최근에 글로벌 소프트웨어 기업들이 쉽게 실행할 수 있는 자동화 머신러닝시스템을 개발하여 개발비용을 절감시키고 있다. 그러나 완전 자동화 머신러닝시스템은 아직 개발되지 않았다. 그리고 현존하는 자동화 머신러닝시스템은 반자동시스템으로 특정분야에 한정되어 적용되고 있다. 그러므로, 이 연구에서는 변수선택, 분석모델선택과 하이퍼파라미터튜닝의 전체 과정을 자동화시킬 수 있는 개념적 디자인이 적용된 프로토타입을 제안하고자 한다. 추가로 제안하는 프로토타입의 가능성을 가늠해 보기 위해, 실제 주식시장(KOSPI)의 종목을 선택하여 주가를 예측하는 파일럿테스트를 진행하였다. 향후에 이러한 개념은 자체적인 머신러닝시스템을 개발할 여력이 없는 중소기업에 크게 도움을 줄 것으로 기대한다. 더불어서 이 개념이 머신러닝에 대한 대중의 접근성을 향상시켜 머신러닝 대중화에 기여할 것으로 기대한다.

사용자 건강 상태알림 서비스의 상황인지를 위한 기계학습 모델의 학습 데이터 생성 방법

문종혁,최종선,최재영 한국정보처리학회 2020 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.9 No.1

In the context-aware system, rule-based AI technology has been used in the abstraction process for getting context information. However, the rules are complicated by the diversification of user requirements for the service and also data usage is increased. Therefore, there are some technical limitations to maintain rule-based models and to process unstructured data. To overcome these limitations, many studies have applied machine learning techniques to Context-aware systems. In order to utilize this machine learning-based model in the context-aware system, a management process of periodically injecting training data is required. In the previous study on the machine learning based context awareness system, a series of management processes such as the generation and provision of learning data for operating several machine learning models were considered, but the method was limited to the applied system. In this paper, we propose a training data generating method of a machine learning model to extend the machine learning based context-aware system. The proposed method define the training data generating model that can reflect the requirements of the machine learning models and generate the training data for each machine learning model. In the experiment, the training data generating model is defined based on the training data generating schema of the cardiac status analysis model for older in health status notification service, and the training data is generated by applying the model defined in the real environment of the software. In addition, it shows the process of comparing the accuracy by learning the training data generated in the machine learning model, and applied to verify the validity of the generated learning data. 다양한 분야에서 활용되는 상황인지 시스템은 상황정보를 획득하기 위한 추상화 과정에서 규칙 기반의 인공기능 기술이 기존에 사용되었다. 그러나 서비스에 대한 사용자의 요구사항이 다양해지고 사용되는 데이터의 증대로 규칙이 복잡해지면서 규칙 기반 모델의 유지보수와 비정형 데이터를 처리하는데 어려움이 있다. 이러한 한계점을 극복하기 위해 많은 연구들에서는 상황인지 시스템에 기계학습 기술을 적용하였으며, 이러한 기계학습 기반의 모델을 상황인지 시스템에 사용하기 위해서는 주기적으로 학습 데이터를 제공해야 한다. 이에 기계학습 기반 상황인지 시스템에 대한 선행연구에서는 여러 개의 기계학습 모델을 적용하기 위한 학습 데이터 생성, 제공 등의 과정을 보였으나 제한된 종류의 기계학습 모델만을 적용 가능하여 확장성이 고려되어야 한다. 본 논문은 기계학습 기반의 상황인지 시스템의 확장성을 고려한 기계학습 모델의 학습 데이터 생성 방법을 제안한다. 제안하는 방법은 시스템의 확장성을 고려하여 기계학습 모델의 요구사항을 반영할 수 있는 학습 데이터 생성 모델을 정의하고 학습 데이터 생성 모듈을 바탕으로 각각의 기계학습 모델의 학습 데이터를 생성하는 것이다. 시스템의 확장성의 검증을 위해 실험에서는 노인의 건강 상태 알림 서비스를 위한 심박상태 분석 모델을 대상으로 한 학습데이터 생성 스키마를 기반으로 학습데이터 생성 모델을 정의하고 실환경에서 정의된 모델을 S/W에 적용하여 학습데이터를 생성한다. 또한 생성된 학습데이터의 유효성을 검증하기 위해 사용되는 기계학습 모델에 생성한 학습데이터를 학습시켜 정확도를 비교하는 과정을 보인다.

입자 군집 최적화 기법을 이용한 Kernel Extreme Learning Machine 설계

노석범 국제차세대융합기술학회 2017 차세대융합기술학회논문지 Vol.1 No.4

본 논문에서는 커널 Extreme Learning Machine을 기반으로 하여 최적화 기법들 중의 하나인 입자 군집 최적화 기법을 이용한 설계 기법을 제시한다. 제안된 Kernel Extreme Learning Machine은 기존에 사용되어지는 뉴럴 네트워크의 단점을 개선한 네트워크이다. 다시 말하면, 뉴럴 네트워크의 단점인 느린 학습속도를 개선한 네 트워크이다. 일반적으로 뉴럴 네트워크의 히든 노드들은 랜덤 초기화 후 오류 역전파 알고리즘을 이용하여 학습 한다. 이와 같은 오류 역전파 알고리즘은 매우 느린 학습속도를 보인다. 이와 같은 단점을 해결하기 위하여, Kernel Extreme Learning Machine의 히든 노드들은 랜덤 초기화 되고 학습되지 않고 출력층의 연결 하중만 학습 되어진다. 이와 같은 장점을 가진 Kernel Extreme Learning Machine의 구조를 최적화하기 위하여 입자 군집 최적 화 기법을 사용한다. 제안된 설계 방법을 적용하여 설계된 모델의 일반화 성능의 우수성을 보이기 위하여, 다수 의 머신러닝 데이터들을 이용하여 실험하고 실험을 통해 얻은 결과를 비교 평가하였다. In this paper, we proposed the design method of Extreme Learning Machine which is optimized by using Particle Swarm Optimization Technique. Extreme Learning Machine is the improved version of the conventional neural networks which have a very slow learning speed based on the back-propagation algorithm. In the conventional neural networks, the connection weights between the input layer and the hidden layers are initialized randomly and then optimized by using the gradient decent method. The speed of the learning method for the conventional neural networks is slow. In order to overcome the drawback of the conventional neural networks, the connection weights of the hidden nodes are just initialized randomly and will not be optimized, and the only connection weights of the output nodes are learned by using least square estimation not the iterative learning method. In addition, we use Particle Swarm Optimization to optimize the proposed Extreme Learning Machine. Several machine learning bench-mark data sets are used to show the generalization performance of the proposed design method and to compare their performance with the other already studied models.