๐ก ๋ณธ ๋ฌธ์๋ '~'์ ๋ํด ์ ๋ฆฌํด๋์ ๊ธ์ ๋๋ค.
~~~์ ๋ฆฌํ์์ผ๋ ์ฐธ๊ณ ํ์๊ธฐ ๋ฐ๋๋๋ค.
I. ๋ ผ๋ฌธ ์ ๋ฐ
1. ๋ ผ๋ฌธ ์ ๋ชฉ (Title)
- ๋งค์ฐ ์ ์คํ๊ฒ ์ ํํด์ผ ํจ.
- ํต์ฌ์ด ํฌํจ๋์ด์ผ ํ๋ฉฐ 1-2๊ฐ์ ๋จ์ด๋ Challengeํ ๋๋์ด ์์ด์ผ ํจ.
- ๋๋ฌด ํ๋ฒํ ๋จ์ด๋ค์ ๋์ด์ ๋ง์ด๋์ค ํจ๊ณผ.
- ๋ ผ๋ฌธ ์ ๋ชฉ์ผ๋ก ์ธํด Reject๋๋ ๊ฒฝ์ฐ๋ ์์.
2. ์ ์ ๋ฐ ์์ (Authors and Affiliations)
- ์ ์ ์ด๋ฆ๊ณผ ์์์ ์คํ์ ์๋๋ก ์ฃผ์ํ ๊ฒ. ํนํ ๊ณต์ ์ (๋จ์ ์ด๋ฆ) ์ด๋ฆ ์ฃผ์!
- ์ฐ๋ฆฌ๋๋ผ ์ด๋ฆ, ์๋ฌธ ํ๊ธฐ ์ ํ์์ด ์ ๊ฐ๊ฐ ์ด๋ฏ๋ก ์ฌ๋ฌ ๋ฒ ํ์ธํด์ ํ๋ฆฌ์ง ์๊ฒ ์ธ ๊ฒ.
- ์ด๋ฆ์ ๊ฒฝ์ฐ ์คํ ๋ง ๋ฟ๋ง ์๋๋ผ ํ์ดํ์ผ๋ก ์ฐ๊ฒฐ๋์ด ์๋์ง ์ฌ๋ถ, ๋์ด์ฐ๊ธฐ๊ฐ ์๋์ง (ํน์ ์๋์ง) ์ฃผ์ ํ ๊ฒ.
- ํนํ, ๊ณต์ ์์ ์ฃผ์์ ์ด๋ฉ์ผ ์ฃผ์๋ ์ฌ๋ฌ ๋ฒ ํ์ธํ ๊ฒ.
- ์ต์ ์ฐํธ๋ฒํธ ํ๊ธฐ๋ฒ์ ์ธ ๊ฒ (5 digits).
- ํ๊ต ๋ช
์ค๊ฐ์ of๊ฐ ๋ค์ด๊ฐ ํ๊ต ์ด๋ฆ ์์๋ The๋ฅผ ๋ถ์ฌ์ฃผ์ด์ผ ํจ.
์: The University of Seoul (์์ธ์๋ฆฝ๋ํ๊ต), The Georgia Institute of Technology.
์: Korea University (๊ณ ๋ ค๋ํ๊ต), Colorado State University.
3. ์ด๋ก (Abstract)
- ๋ ผ๋ฌธ์ ์์ฝ๋ฌธ์ผ๋ก ๊ฐ์ฅ ๋จผ์ ์ฝ๊ฒ ๋๋ ๋ถ๋ถ์.
- ๋ณธ ๋ ผ๋ฌธ์์ ํํ ์ฐ๊ตฌ์ ์ค์์ฑ ์ธ๊ธ (ํด๋น ์ฐ๊ตฌ๋ถ์ผ์ ์ค์์ฑ ์ธ๊ธ).
- ๊ธฐ์กด ์ฐ๊ตฌ์์ ์ฐจ๋ณ์ฑ์ด ๋ฌด์์ธ์ง ๋ถ๊ฐํจ์ผ๋ก์จ ๋ณธ ์ฐ๊ตฌ์ ๋ ์ฐฝ์ฑ ๊ฐ์กฐ.
- ๋ณธ ์ฐ๊ตฌ์ ๋ชฉ์ ์ ์ง์ ์ ์ผ๋ก ์ธ๊ธ (The purpose of this study is to examine ~).
- ์ ์ ๋ฐฉ๋ฒ์ ํน์ง์ ๊ฐ๋จํ๊ฒ ์์ฝ.
- ๊ฒฐ๋ก ์์ฝ (์: ์ ์ ๋ฐฉ๋ฒ์ ์๋ฎฌ๋ ์ด์ ํน์ ์ค์ ๋ฐ์ดํฐ์ ์ ์ฉํด ๋ณธ ๊ฒฐ๊ณผ ์ฐ์ํ๋ค).
- ์ผ๋ฐ์ ์ผ๋ก ์ด๋ก์๋ Citation ํ๊ธฐ๋ฅผ ํ์ง ์์.
4. ์๋ก (Introduction)
- ๋ ผ๋ฌธ์ ์ฐ๋ ๋์ ์ฌ๋ฌ ๋ฒ์ ๊ฑธ์ณ ์ด๋ค๊ณ ์๊ฐํด์ผ ํจ.
- ์๋ฌธ ๋ ผ๋ฌธ์ด๋ผ๋ ๋จผ์ ํ๊ธ๋ก ์ ์ฒด์ ์ธ ๊ตฌ์กฐ๋ฅผ ์ก๊ณ ์ฐ๋ฉด ํจ์ฌ ํจ๊ณผ์ ์.
- ์ด๋ก์์ ์์ฝํ ๋ด์ฉ์ ํ์ฅํ๋ค๊ณ ์๊ฐํ๊ณ ์ฐ๋ฉด ๋จ.
- ๋ณธ ์ฐ๊ตฌ์์ ๋ค๋ฃฐ ์ฃผ์ ์ ์ค์์ฑ ๊ฐ์กฐ.
- ๋ณธ ์ฐ๊ตฌ์ ๊ด๋ จ๋๋ ์ฃผ์ ๋ฅผ ์ ์ ์ขํ๊ฐ๋ฉด์ ๋ฆฌ๋ทฐ. ๊ฐ์ฅ ๊ทผ์ ํ ์ฃผ์ ๋ ์์ธํ๊ฒ ๋ฆฌ๋ทฐ.
- ๋ฆฌ๋ทฐ์ ๋ชฉ์ ์ ๋จ์ํ ๊ด๋ จ ์ฐ๊ตฌ๋ฅผ ์๊ฐํ๋ ๊ฒ์ด ์๋๋ผ ๋ฆฌ๋ทฐ๋ฅผ ํตํด ๊ธฐ์กด ์ฐ๊ตฌ์ ํน์ง๊ณผ ํ๊ณ์ ์ ์ธ๊ธํ๊ณ , ์ด๋ฅผ ํตํด ๋ณธ ์ฐ๊ตฌ์ ๋ ์ฐฝ์ฑ์ ๊ฐ์กฐํ๋๋ฐ ์์.
- ๋ณธ ์ฐ๊ตฌ์ ๋ชฉ์ ์ ์ง์ ์ ์ผ๋ก ์ธ๊ธ ํ ๊ฒ. The purpose of this study is ~
- ๋ชฉ์ ๊ณผ ๋๋ถ์ด ๋ณธ ์ฐ๊ตฌ์ ๊ฐ์ค์ ๋ฐ๋์ ์ธ๊ธํ ๊ฒ. ๊ฐ์ค์ ๋ณธ ์ฐ๊ตฌ์์ ์ฐ๋ฆฌ๊ฐ ๊ธฐ๋ํ๊ณ ์๋ ๊ฒฐ๊ณผ์.
- ๊ฐ์ค์ ์ฆ๋ช ํ๊ธฐ ์ํด ์ด๋ค ์์ผ๋ก ์ฐ๊ตฌ๋ฅผ ์งํํ๋์ง ๊ฐ๋จํ๊ฒ ์ธ๊ธ
- ๋ณธ ์ฐ๊ตฌ์ ๋ ์ฐฝ์ฑ์ bullet points 3-4๊ฐ๋ก ์์ฝ (๋งค์ฐ ์ค์). The main contribution of this study can be summarized as follows:
5. ๊ฒฐ๋ก (Conclusions)
- ๋ณธ๋ฌธ์ ๋ด์ฉ์ ์ ์ฒด์ ์ผ๋ก ์์ฝํด ์ค๋ค๋ ๋๋์ผ๋ก ์์ฑ.
- ๋ณธ ์ฐ๊ตฌ์ ๋ ์ฐฝ์ฑ์ ๋ค์ ํ ๋ฒ ๊ฐ์กฐ.
- ๋ณธ ์ฐ๊ตฌ์ ํ๊ณ์ ์ธ๊ธ.
- ํ๊ณ์ ๊ณผ ์ฐ๊ณํด์ ์์ผ๋ก ๊ณํํ๊ณ ์๋ ์ฐ๊ตฌ ์ฃผ์ 2-3๊ฐ ์ธ๊ธํ ๊ฒ. ์ด ๊ฒฝ์ฐ “๋ฐ์ดํฐ๋ฅผ ํ์ฅํ๊ฒ ๋ค”๋์ง “๋ค๋ฅธ ํ๋ผ๋ฏธํฐ๋ฅผ ์จ๋ณด๊ฒ ๋ค”๋์ง ํ๋ ๋จ์ํ๊ณ ๋ฌด์ฑ์ํ ๋ด์ฉ์ ํผํ๊ณ ์ ๋๋ก ๋ ๊ณํ์ ์ธ๊ธํ ๊ฒ.
6. ์ฌ์ฌ (Acknowledgements)
- ๋ฐ๋์ ๋ณต์ - Acknowledgements
- ๋ ผ๋ฌธ์ ์ฒ์ ์ ์ถํ๋ ๊ฒฝ์ฐ์๋ Funding source๋ง ํฌํจํ๊ณ ๋ฆฌ๋ทฐ์ด๋ค์ ๋ํ ๊ฐ์ฌ ์ธ์ฌ๋ ํฌํจํ์ง ๋ง ๊ฒ. ๋ฆฌ๋ทฐ๋ ํ์ง ์์๋๋ฐ ๊ฐ์ฌํ๋ค๊ณ ํ๋ ๊ฒ์ nonsense.
- ๋ฆฌ๋น์ ์๋ ๋ฐ๋์ ๋ฆฌ๋ทฐ์ด๋ค์ ๋ํ ๊ฐ์ฌ ๋ฌธ๊ตฌ๋ฅผ ํฌํจํ ๊ฒ.
7. ์ฐธ๊ณ ๋ฌธํ (References)
๊ทธ๋ ๊ทธ๋ ๋ง๋ค ์ ๋ฆฌ๋ฅผ ํ๋ฉฐ ๋ ผ๋ฌธ์ ์ธ ๊ฒ. ๋์ค์ ์ ๋ฆฌ ํ๋ค๊ณ ๋ฏธ๋ฃจ๋ฉด ์ค์๊ฐ ๋ง์ ์ง.
Reference๊ฐ์๋ ํน๋ณํ ๊ฒฝ์ฐ๋ฅผ ์ ์ธํ๊ณค ์ต๋ 35๊ฐ๋ฅผ ๋๊ธฐ์ง ๋ง ๊ฒ. 25๊ฐ~30๊ฐ๊ฐ ์ ๋น.
์ต์ ์ ๋ ์์ฃผ๋ก reference๋ฅผ ์์ฑํ ๊ฒ (์ต์ : ์ต๊ทผ 3๋ ์ด๋ด).
์ ์ถํ๋ ์ ๋์์ ์ถ๊ฐํ ๋ ผ๋ฌธ 20% ๋ด์ธ ํฌํจํ ๊ฒ.
์ ๋ ๋ง๋ค ํ์์ด ๋ค๋ฅด๋ฏ๋ก ์ ๋ ํํ์ด์ง๋ฅผ ํตํด ํ์ ๊ผญ ํ์ธํ ๊ฒ.
8. ๋ ผ๋ฌธ ์ผ๋ฐ
๋ ผ๋ฌธ ์ ์ ํ์ด์ง ์๋ ๋ฑํ ์ ํด์ ธ ์์ง ์์ผ๋ reference ํฌํจ 28 ~ 32 pages๊ฐ ์ ๋นํจ. ์ต๊ทผ Machine Learning, AI ๊ด๋ จ ๋ ผ๋ฌธ์ ๊ธธ์ด๋ ์งง์์ง๊ณ ์๋ ์ถ์ธ.
๋๋ฌด ๊ทน๋จ์ ์ธ ํํ์ ์ฐ์ง ๋ง ๊ฒ. ๊ฐ์ ํ๋จํ์ฌ ๋ฆฌ๋ทฐ์ด์๊ฒ ์ค๋งํ๊ฒ ๋ณด์ผ ๊ฐ๋ฅ์ฑ์ด ์๋ ๋จ์ด๋ค์ ์ฐ์ง ๋ง ๊ฒ. ์: Novel, Excellent, Very, Really, …
์ ์ํ๋ ๋ฐฉ๋ฒ๋ก ์ด ์๋ค๋ฉด ์ด๋ฆ์ ์ ์คํ๊ฒ ๋ง๋ค์ด professional ๋ณด์ด๋๋ก ํ ๊ฒ. ์ ์ ๋ฐฉ๋ฒ์ ์ฝ์๋ก ํ๊ธฐํ ๊ฒฝ์ฐ ์ฝ์์ ๋๋๋ ์ ์ด๋ ค์ผ ํจ.
๊ธฐ์กด ๋ฐฉ๋ฒ๋ก ์ ์ค๋ช ์ ์ต๋ํ ํต์ฌ ์์ฃผ๋ก. ๋๋ฌด ์ฅํฉํ๊ฒ ํ๋ฉด ์คํ๋ ค ๋ง์ด๋์ค.
์ค๋ช ์ด ๋ถ์กฑํ๋ค๊ณ ๋๋ ๊ฒฝ์ฐ์๋ ์ฌ๋ฌ ๋ฌธ์ฅ์ผ๋ก ํ์ธ ์ค๋ช ํ๊ธฐ ๋ณด๋ค๋ ์ฒ์ ์ค๋ช ํ ๋ฌธ์ฅ์ ์ต๋ํ ๋ช ํํ๊ฒ ์ฐ๋ ค๊ณ ๋ ธ๋ ฅํด์ผ ํจ. ๊ฐ์ ์ค๋ช ์ด ๋ฐ๋ณต์ ์ผ๋ก ๋์ค๋ฉด ๋งค์ฐ unprofessionalํด ๋ณด์.
II. ๋ ผ๋ฌธ ํ๊ธฐ
1. ์๋ฌธ ์ฝ์ (Abbreviation)
์ฒ์์๋ง ์ ์ฒด ์ฉ์ด๋ฅผ ๋ค ์จ ์ฃผ๊ณ ์ดํ์๋ ์ฝ์ ๋ง์ ์จ์ผ ํจ. ๋ถ์ํ๋๋ผ๋ ๊ทธ๋ ๊ฒ ํด์ผ ํจ.
์: The convolution neural network algorithm (CNN) is ~ : ์ฌ๊ธฐ์ CNN์ด๋ผ๊ณ ์ฝ์ ์ ์๋ฅผ ํ์ผ๋ฉด ์ดํ ๋
ผ๋ฌธ์์๋ CNN์ผ๋ก๋ง ์ธ ๊ฒ.
๋ค๋ง ์ด๋ก์์ ์ฝ์๋ฅผ ์ผ๋๋ผ๋ ๋ณธ๋ฌธ์์๋ ์ฒ์ ๋ฑ์ฅํ๋ ๊ณณ์ ๋ค์ ์ ์ฒด ์ฉ์ด๋ฅผ ๋ช ์ํ๊ณ ์ฝ์๋ฅผ ์ ์ํด ์ฃผ๋ฉด ์ข์.
๋ ผ๋ฌธ์์ 2-3๋ฒ ์ ๋๋ง ์ธ๊ธ๋๋ ์ฉ์ด๋ ์ฝ์๋ก ํ๊ธฐํ์ง ๋ง๊ณ full๋ก ์ธ ๊ฒ. ์ฆ, ๋ณธ ๋ ผ๋ฌธ์ ํต์ฌ์ด ๋์ง ์์ ์ฉ์ด๋ค์ ๊ฐ๋ฅํ ์ฝ์๋ก ํ๊ธฐํ์ง ๋ง ๊ฒ.
์๋ฌธ ์ฝ์๋ฅผ ์ธ ๊ฒฝ์ฐ ๋๋ฌธ์๋ก ๋จ์ด๋ฅผ ์์ํ์ง ๋ง๊ณ ์๋ฌธ์๋ก ์์ํ ๊ฒ.
Convolution Neural Network (CNN) -> X
convolution neural network (CNN) -> O
๋จ, ๊ณ ์ ๋ช
์ฌ (์ฌ๋์ด๋ฆ, ์ง๋ช
๋ฑ์ ๋๋ฌธ์)๋ ๋๋ฌธ์๋ก ํ๊ธฐ.
์: We used a hidden Markov model (HMM) in this study.
2. ์ซ์ ํ๊ธฐ (Numbering)
0-10์ ์ํ๋ฒณ์ผ๋ก ํ๊ธฐ. ์ฆ zero, one, two, three, four, five, six, seven, eight, nine, ten์ผ๋ก ํ๊ธฐํด์ผ ํจ.
11 ์ด์์ ์๋ผ๋น์ ์ซ์๋ก ํ๊ธฐ. ์ฆ, 11, 12, 13 ….
ํ์ง๋ง, 10์ด์์ ์ซ์๋ผ๋ ๋ฌธ์ฅ ๋งจ ์ฒ์์ ์ฌ ๊ฒฝ์ฐ ์ํ๋ฒณ์ผ๋ก ํ๊ธฐ.
์: Sixty five observations are included in the training set.
๋
๋๋ ๋ฌธ์ฅ ๋งจ ์์ ์ค๋๋ผ๋ ์๋ผ๋น์ ์ซ์๋ก ํ๊ธฐ.
์: 2018 will be a great year to study machine learning.
3. ์์ (Equation)
์์ (Equation) ๋ด ์ค๋ช
์ด ํ์ํ ๊ธฐํธ๊ฐ ์์ ๊ฒฝ์ฐ ๋ณดํต ๋ค์ ์ค์ where๋ก ์ ์ํ๋๋ฐ ์ด๊ฒฝ์ฐ Equation๋ค์๋ comma (,)๋ฅผ ๊ผญ ์ฐ์ด์ผ ํจ.
์: y=2x+1,
where x represents the input variable.
where ์ ํน์ ๋ค์ comma (,)๋ฅผ ์ฐ์ผ๋ฉด ์ ๋ ์ ๋จ.
์์ ํ๊ธฐ๋ ์ ๋ ผ๋ฌธ์ ๊ฑธ์ณ ์ผ์น์ํฌ ๊ฒ. ์๋ฅผ ๋ค์ด ์์์์ ์ดํค๋ฆญ์ผ๋ก ํ๊ธฐํ์ผ๋ฉด ๋ณธ๋ฌธ์์๋ ์ดํค๋ฆญ์ผ๋ก ํ๊ธฐํ๊ณ , bold์ฒด๋ก ํ๊ธฐํ์ผ๋ฉด bold์ฒด๋ก ํ๊ธฐํ ๊ฒ.
4. ๊ทธ๋ฆผ (Figure), ํ (Table)
๋ ผ๋ฌธ์์ ๊ทธ๋ฆผ๊ณผ ํ ์ด๋ธ์ ๋งค์ฐ ์ค์ํจ.
๋ ผ๋ฌธ์ ํต์ฌ ์์ด๋์ด์ ๊ฒฐ๊ณผ๋ฅผ ํ๋์ ๋ณผ ์ ์๋๋ก ํํํ๋ ์๋จ.
๋งค์ฐ ์ ์ฑ ๋ค์ฌ์ ๊ทธ๋ฆผ๊ณผ ํ ์ด๋ธ์ ๋ง๋ค ๊ฒ.
๊ทธ๋ฆผ๊ณผ ํ์ ํด์์ ๋ณด์ด๋ ๋ฐ๋ก๋ง ํ ๊ฒ์ด ์๋๋ผ ๊ทธ ๊ฒฐ๊ณผ๊ฐ ๊ถ๊ทน์ ์ผ๋ก ์ ๋ฌํ๋ ๋ณธ์ง์ด ๋ฌด์์ธ์ง๋ฅผ ์ค๋ช ํด์ผ ํจ.
์ธ๋ถ (์ธํฐ๋ท ๋ฑ) ๊ทธ๋ฆผ์ ๊ฐ์ ธ์ค๋ฉด ์ ๋ ์๋จ. ๊ผญ ํ์ํ ๊ฒฝ์ฐ ์ถ์ฒ ๋ฐ๋์ ๋ช ์ ํ ๊ฒ. ์๊ฐ์ด ๊ฑธ๋ฆฌ๋๋ผ๋ ์ธ๋ถ ๊ทธ๋ฆผ์ ์ดํดํ๊ณ ๋ณธ์ธ์ด ๋ค์ ๊ทธ๋ฆฌ๋ฉด ์ข์.
๋ณธ์ธ์ ๊ณผ๊ฑฐ ๋ ผ๋ฌธ์์ ๊ทธ๋ฆผ์ ๊ฐ์ ธ์ฌ ๊ฒฝ์ฐ์๋ ๋ฐ๋์ ์ถ์ฒ ๋ช ์ ํ ๊ฒ. ์ด ๊ฒฝ์ฐ์๋ ๊ฐ๋ฅํ๋ฉด ๋ค์ ๊ทธ๋ฆฌ๋ฉด ์ข์.
๊ทธ๋ฆผ์ ๋ ผ๋ฌธ์์ ๋ณด์์ ๋ ๋๋ ทํด์ผ ํจ (ํ๋ฆฟํ ๊ทธ๋ฆผ์ ์ ๋ณด์ด๋๋ก ํด์๋ ์กฐ์ ํ ๊ฒ).
๊ทธ๋ฆผ ์์ ์๋ ๋ฌธ์ฅ์ (๋ผ๋ฒจ, ๋ ์ ๋ ํฌํจ) ์ถฉ๋ถํ ์ฝ์ ์ ์์ ์ ๋์ ํฌ๊ธฐ์ฌ์ผ ํจ.
๊ทธ๋ฆผ์ x์ถ๊ณผ y์ถ label์ ๊ผญ ํ๊ธฐํ ๊ฒ.
๊ทธ๋ฆผ ์์ ์๋ ๋ฌธ์ฅ๋ค๋ ์ต๋ํ ๋ฌธ๋ฒ์ ๋ง๊ฒ ์ ๊ฒฝ ์จ์ ์ธ ๊ฒ. ๊ทธ๋ฆผ ์์๋ ๊ฐ๋ฅํ ๋ฌธ์ฅ์ ์ฐ์ง ๋ง ๊ฒ.
๊ทธ๋ฆผ์ด๋ ํ ์ด๋ธ์์ ์ ์ํ ๋ฐฉ๋ฒ๋ก ๊ณผ ๋ค๋ฅธ ๋ฐฉ๋ฒ๋ก ์ ๋น๊ตํ ๊ฒฝ์ฐ ์ ์๋ฐฉ๋ฒ๋ก ์ ๊ฐ์ฅ ์์ด๋ ๋ค์ ์์นํ ๊ฒ. ์ค๊ฐ์ ์์นํด์ ํท๊ฐ๋ฆฌ๊ฒ ํ์ง ๋ง๊ณ .
์ ์ ๋ฐฉ๋ฒ์ด ๋์ ์ฝ๊ฒ ๋ค์ด ์ค๋๋ก ์ ์๋ฐฉ๋ฒ๋ก ์ด๋ฆ ์๋ “proposed”์ด๋ผ๊ณ ํ์ํ๋ฉด ์ข์. ์: DFGR (proposed)
5. Follow
์์น์ ์ผ๋ก follow (following)๊ฐ ํฌํจ๋ ๋ฌธ์ฅ์ ์ฝ๋ก (:)์ผ๋ก ๋๋ผ ๊ฒ.
์1: The following equation indicates the sum of squares of errors:
์2: The sum of squares of errors can be represented as follows:
๋ณดํต Introduction ๋ง์ง๋ง paragraph์ ์ฐ๋ ๋
ผ๋ฌธ ์ ์ฒด ์์ฝ ๋ช
์ ๋ฌธ๊ตฌ์๋ ๊ด๋ก ์ ์ฝ๋ก (:)์ ์ฐ์ง ์์.
์: The remainder of this paper is organized as follow.
6. ๋๋ฌธ์๋ก๋ง ํ๊ธฐํ๋ ๋จ์ด
Table, Figure, Equation, Section์ ๋ฌธ์ฅ ์ค๊ฐ์ ์ค๋๋ผ๋ ํญ์ ๋๋ฌธ์๋ก ์ธ ๊ฒ. ์ด์ํ๋๋ผ๋ ๋ฐ๋์ ๋๋ฌธ์๋ก ์ธ ๊ฒ.
์: The moment matching method can be explained by Figure 2, Table 1, and Equation 3.
III. ์์ด ํํ
1. ๋ถ์ ๊ด์ฌ
“a”์ “an”์ ๋ชจ์(a, e, i, o, u: ์, ์, ์ด, ์ค, ์ฐ)์ผ๋ก ์์ํ๋ ๋จ์ด๊ฐ ๋ค์ ์ค๋๋ ์๋๋๋ฅผ ๊ธฐ์ค์ผ๋ก ์ฐ๋ ๊ฒ์ด ์๋๋ผ ๋ชจ์ ๋ฐ์์ด ๋๋๋ ๊ทธ๋ ์ง ์๋๋๋ฅผ ๊ธฐ์ค์ผ๋ก ์.
์1: a NLP work (X), an NLP work (N์ ์์์ด์ง๋ง “์”์ด๋ผ๋ “๋ชจ์” ๋ฐ์).
์2: an one-dimensional (X), a one-dimensional (O) (O๋ ๋ชจ์์ด์ง๋ง “์”์ด๋ผ๋ “์์” ๋ฐ์).
2. ์์
Introduction (ํน์ Related works)์์ ๊ธฐ์กด ๋ฐฉ๋ฒ๋ก ๋ค ๋ฆฌ๋ทฐ๋ ๋ณดํต ๊ณผ๊ฑฐํ์ผ๋ก ํ๊ธฐ.
์: A group lasso was proposed to select features using predefined feature group information (reference).
๋ฐฉ๋ฒ๋ก ์ค๋ช ์ ํ์ฌํ์ผ๋ก ํ๊ธฐ.
์คํ๊ฒฐ๊ณผ๋ ๊ณผ๊ฑฐํ์ผ๋ก ํ๊ธฐ.
๋ ผ๋ฌธ์์ ๋ฏธ๋ํ์ ์์น์ ์ผ๋ก ์ฐ์ง ๋ง ๊ฒ.
3. And
์ธ ๊ฐ์ง ์ด์์ and๋ก ์ฐ๊ฒฐํ๋ ์ํฉ์์๋ ๋ง์ง๋ง and ์์ comma๋ฅผ ๋ถ์ฌ ์ค.
์: Three distributions such as normal, gamma, and lognormal were used.
4. ๋ ๋จ์ด ์ฌ์ด์ ํ์ดํ
๋ ๋ช
์ฌ๊ฐ ๊ฒฐํฉํด ํ์ฉ์ฌ ์ญํ (๋ค์ ๋ช
์ฌ๋ฅผ ์์)์ ํ ๊ฒฝ์ฐ ํ์ดํ์ผ๋ก ๋ฌถ์ด ์ค.
์1: In control observations (X), In-control observations (O) (In๊ณผ control ๋ ๋จ์ด๊ฐ observations์ ์์ํ๋ ํ์ฉ์ฌ ์ญํ ์ ํ๊ณ ์์ผ๋ฏ๋ก ํ์ดํ์ ์จ์ผ ํจ)
์2: This situation indicates in-control (X), This situation indicates in control (O). (์ด ๊ฒฝ์ฐ์๋ in๊ณผ control์ด ํฉ์ณ์ ํ์ฉ์ฌ ์ญํ ์ ํ๊ณ ์์ง ์๊ณ ๋ณด์ด ์ญํ ์ ํ๊ธฐ ๋๋ฌธ์ ํ์ดํ์ ๋ถ์ฌ ์ฃผ๋ฉด ์๋จ).
์3: The content-based filtering~ (content์ based๊ฐ ํฉ์ณ filtering์ ์์ํ๋ ํ์ฉ์ฌ์ ์ญํ ์ ํ๋ฏ๋ก ํ์ดํ์ ์จ์ผ ํจ: ๋ณดํต based, driven ์์๋ ํ์ดํ์ ๋ถ์).
5. ์ ์ผ์น
Every, everybody, everyone, each → ํญ์ ๋จ์
Half of…, A third of…, All of…, A majority of…, Most of…, Some of…, → of ๋ค์์ ๋์ค๋ ๋ช
์ฌ์ ์ ์ผ์น
์1: Half of the students in this school are rich
์2: Half of the furniture in this school is more than 20 years old
Neither A nor B, Either A or B → B์ ์ ์ผ์น
์: Neither ~, Either ~ → ํญ์ ๋จ์, Neither of the two brothers smokes.
Units of distance, time, weights, and money → ํญ์ ๋จ์
์: Forty-five miles is a long way to walk, Five hours seems very long for an exam
6. ๋จ์, ๋ณต์
ํญ์ ๋จ์: Clothing, Furniture, Population, Homework, Information, Luggage, Baggage, Equipment, Knowledge, News, Whatever, Whoever
ํญ์ ๋ณต์: Scissors, Glasses, Pants, People, Military, Police, Cattle, Binoculars, The elderly, The rich, The poor
Data๋ ๋ณต์! (Datum์ด ๋จ์์ด๋ ๋ ผ๋ฌธ์์ ์ ์ฐ์ง ์์). Data๋ฅผ ๋จ์๋ก ์ฐ๊ณ ์ถ์ ๊ฒฝ์ฐ์๋a (the) data set์ผ๋ก ํ๊ธฐํ๋ฉด ๋จ.
Dataset vs. Data set: ์ฝ๊ฐ์ ์ด๊ฒฌ์ ์์ผ๋ ๊ฒฝํ ์ ํ์์ธ Data set (์ฆ, Data์ set์ฌ์ด์ ์คํ์ด์ค)์ ์ ํธํจ.
7. ๋ ผ๋ฌธ์์ ์ ํธํ๋ ํํ
Since, As ๋ณด๋ค๋ Because.
Due to, Owing to ๋ณด๋ค๋ Because of.
Even though ๋ณด๋ค๋ Although.
But ๋ณด๋ค๋ However.
Also ๋ณด๋ค๋ In addition, Furthermore, Further, Moreover.
So ๋ณด๋ค๋ Hence, Thus, Therefore.
8. ์์์ ์ดํ ์๋ฆฌ ์
์์์ ์ดํ ์๋ฆฌ ์๋ ๊ฒฝ์ฐ์ ๋ฐ๋ผ ๋ค๋ฆ.
์ด๋ ์๋ฆฌ ๊น์ง๊ฐ ์๋ฏธ ์๋์ง๋ฅผ ๋ณด๊ณ ํ๋จ. ์์์ ์ดํ ์๋ฆฌ์๊ฐ ๋ง์ด ํ์ํ ๊ฒฝ์ฐ๋ ์ ์ด๋ ๊ฒ ๊ธธ๊ฒ ํ๊ธฐํด์ผ ํ๋์ง ์ด์ ๋ฅผ ์ ์ด์ฃผ๋ฉด ์ข์.
๋ณดํต์ ์์์ ์ดํ 2์๋ฆฌ์๋ฉด ์ถฉ๋ถํจ.
9. ๋ง์ด ์ฐ๋ ํํ
In fact = Actually = Indeed.
As a result = Consequently = As a consequence = For this reason.
In contrast = By contrast = Conversely.
Similarly = Likewise.
For example, = For instance, = As an illustration,.
In other words,. = That is,.
More precisely = Specifically.
At the same time = Meanwhile = In the meantime = Concurrently = Simultaneously.
As shown in Table 5, ….
As can be seen in Figure 5, ….
As can be seen from the data in Table 7,….
As revealed by the data in the graph,….
As demonstrated in previous studies,….
As mentioned in the previous section,….
As claimed in his previous work,….
… can be seen in Figure 1.
… is illustrated in Table 6.
… is represented in the data in Table 8.
… is shown in Figure 10.
IV. ๋ํ์์์์ ๋ ผ๋ฌธ
๋ ผ๋ฌธ ๋ง์ด ์จ์ผ ํ๋? (๏ฅพ) ์ข์ ๋ ผ๋ฌธ์ ์จ์ผ ํ๋? (่ณช) ์ข์ ๋ ผ๋ฌธ์ ๋ง์ด ์ฐ๋ฉด ๊ฐ์ฅ ์ข์.
์ข์ ๋ ผ๋ฌธ์ ์ฝ๊ฒ ์ธ ์ ์์ด → ์ต์์ ํตํด ์ ๋ง์ ์ํ์ฐฉ์ค๋ฅผ ๊ฑฐ์น ํ์ ํ์.
์ฒ์๋ถํฐ ๊ฑธ์์ ์ฐ๊ฒ ๋ค๊ณ ์๊ฐํ์ง ๋ง๊ณ ์ผ๋จ ๋ญ๋ผ๋ ์ธ ๊ฒ.
๊ธ์ฐ๊ธฐ๊ฐ ๋ถ์กฑํ๋ค๊ณ ์๊ฐ ๋๋ ์ฌ๋์ ์๋ฌธ ๋ ผ๋ฌธ๋ง ๊ณ ์งํ์ง ๋ง๊ณ ํ๊ธ ๋ ผ๋ฌธ์ ๋จผ์ ์จ ๋ณผ ๊ฒ.
๋ ผ๋ฌธ์ ์ ์ฐ๊ธฐ ์ํด์๋ ์ข์ ๋ ผ๋ฌธ์ ๋ง์ด ์ฝ๊ณ ๋ฐ๋ผ ํ๋ ๊ฒ๋ถํฐ ์์.
์ธ์ด๊ฐ ์ค์ํ ๊ฒ์ด ์๋๋ผ ๋ ผ๋ฆฌ์ ์ธ ์๊ฐ์ด ๋ ์ค์ํจ. ๋ ผ๋ฌธ์ ํ๋ฆ์ด ๋ง์ง ์์ผ๋ฉด ์๋ฌด๋ฆฌ ์ ์ด ๊ธ์ด๋ผ๋ ์ธ์ ๋ฐ์ง ๋ชปํจ.
์กธ์ ํ ๊ต์๊ฐ ๋ชฉํ์ธ ์ฌ๋์ ๋ณธ์ธ์ ๋ํํ ์ ์๋ ๋ ผ๋ฌธ ์ต์ 3๊ฐ๋ ์จ์ผ ํจ.
์กธ์ ํ ํ์ฌ ์ทจ์ง์ด ๋ชฉํ์ธ ์ฌ๋์ ์๋ฌธ ๋ ผ๋ฌธ ๋ณด๋ค๋ ํ๊ธ ๋ ผ๋ฌธ์ ๊ฐ์น ์๊ฒ ์ฐ๋ ๊ฒ์ด ์ค์.
“์ข์ ๋ ผ๋ฌธ์ ๋ง์ด ์ฝํ๋ ๋ ผ๋ฌธ” ์ด๋ผ๋ ์๊ฐ์ผ๋ก ๋ ์๋ค์ ๊ด์ ์์ ์ฑ์ ์๊ฒ ์ธ ๊ฒ.
์ฐธ๊ณ
- [Blog] Academic ๋ ผ๋ฌธ ์ฐ๊ธฐ ๊ฐ์ด๋๋ผ์ธ: https://brunch.co.kr/@seoungbumkim/8