로보리포트 매물 등록 방법 가이드

로보리포트 웹사이트(https://land.roboreport.co.kr) 또는 어플리케이션에 로그인합니다. 매물 등록 및 관리 기능은 웹사이트 이용을 추천드립니다. 웹 사이트는 크롬 브라우저에 최적화 되있습니다.

로그인 이후 아래 공인중개사 아이콘(오른쪽 위) 을 눌러 공인중개사 가입하기 페이지로 들어갑니다.

공인중개사 가입하기 페이지에서 내용을 채우고 신청 버튼을 클릭합니다. 적어주신 정보가 정확하면 아래 적어주신 휴대폰 번호나 이메일로 공인중개사 회원 가입 완료시 알려드립니다.

공인중개사 회원 가입 승인이 완료되면 이제 매물을 올릴 수 있습니다. 다시 아래 공인중개사 아이콘을 클릭하면 매물 관리하기 페이지로 이동합니다.

매물 관리하기 페이지에서는 매물 등록하기 탭으로 아래와 같이 아파트, 연립다세대, 오피스텔 매물이 등록 가능합니다. 현재는 매물 등록 제한 개수는 따로 없습니다.


매물 등록 신청이 완료된후 내부 검증이 완료되면 내가 등록한 매물 페이지에서 확인이 가능합니다. 내가 등록한 매물에서는 매물로 등록된 상태에 따라 매물 정보를 확인 가능합니다.

내가 등록한 매물 페이지

매물이 정상적으로 등록 완료 되면 등록매물 탭에서 확인 할 수 있습니다.

노출이 완료되거나, 거래가 완료된 매물은 노출/거래완료 탭에서 확인할 수 있습니다. 한번 매물 등록시 기본 노출 기간은 매물 등록 승인 이후 한달 간 입니다.

등록실패 탭에서는 매물 등록 요청시 입력한 정보가 정확하지 않거나 사진이 적절 하지 않거나 등의 내부 검증에 따라 등록 실패된 매물들을 확인 할 수 있습니다.

신고매물은 허위 매물로 신고가 된 매물입니다. 내부 검증시 문제가 없다고 확인되면 등록 매물로 올라갑니다. 허위 매물로 판명시 1차 적발시에는 서비스 이용 1개월 제한, 2차 적발시에는 이용 계약을 해지 할 수 있으니 이 점 유의부탁드립니다.

그럼 많은 이용 부탁드립니다 : )

감사합니다!

신경망 이론 이해하기 – 1 ) perceptron

로보리포트 서비스에서는 부동산 가격 예측을 하기 위해 MLP (다층 신경망)을 사용합니다. 대표적인 기계 학습 알고리즘이라 생각해서 그동안 따로 설명을 하지 않았지만 신경망 알고리즘이 무엇이냐는 질문을 많이 받아서 최대한 쉽게 설명을 해볼까 합니다.

신경세포의 구조

신경망 알고리즘은 실제로 신경세포(뉴런, neuron)의 모양과 작동 방식을 따라 만들어졌습니다. 뉴런이 두개 이상 모이면 신경이 되며, 모든 뉴런은 수상돌기, 신경세포체, 축색돌기로 구성되어 있습니다. 뉴런의 구조는 아래 그림을 확인해주세요.

뉴런의 기본 기능은 자극을 받았을 경우 전기를 발생시켜 다른 세포에 정보를 전달하는 것으로 이렇게 발생하는 전기 신호를 활동전위(action potential)이라고 합니다.

뉴런에서 수상돌기로 입력받은 신호들의 강도의 합이 어느 설정치(threshold, 역치 값) 이상이면 축색돌기로 신호를 전달하고 이하면 전달(출력)하지 않습니다. 이렇게 전달된 축색돌기의 신호는 시냅스로 이어진 다른 뉴런들에게 전달되게 됩니다.

Perceptron

Perceptron은 위에 설명한 neuron의 구조를 그대로 본따서 만들어졌습니다.

neuron이 수상돌기에서 입력을 받는 부분은 perceptron에서는 X 값으로 표현되고, neuron의 세포체의 가중합은 X의 각 유닛과 연결된 연결 가중치의 곱의 합으로 표현되고, 마지막으로 임계치를 넘으면 신호를 전달하는 부분은 활성화 함수라고 하는 함수에 의하여 출력 값을 얻도록 표현되었습니다. (아래 표 참조)

 neuronperceptron
입력수상돌기에 들어온 입력들X
연결수상돌기로 입력받은 신호들의 강도의 합X의 각 유닛과 연결된 연결 가중치의 곱의 합
출력가중합이 threshold를 넘으면 축색으로 출력가중합을 활성화 함수에 입력하여 출력 값(a) 출력

그럼 perceptron의 실제 작동 방식을 확인해보겠습니다.

  1. input A의 값들은 각 unit(a1, a2, a3 …) 의 각자의 가중치(w1, w2, w3 … ) 값에 곱해져서 더해집니다. (weighted sum)
  2. 1의 값에 bias가 더해집니다.
  3. 이렇게 더해진 값은 활성화 함수(activation function)의 input값이 되서 최종 출력 값이 나오게 됩니다.

아래는 perceptron의 예시입니다.

input으로 티셔츠 이미지의 각 픽셀의 값이 들어가고 최종적으로 티셔츠의 색이 밝은 색인지, 어두운 색인지 판결하는 perceptron이 있다고 해보겠습니다. X 값과 weight를 더해서 나온 식의 값이 -0.1을 넘으면 밝은 색 (+1)으로 아니면 어두운 색(-1)이라고 분류하고 있습니다. 여기서 weight는 각 연결의 강도를 의미합니다.

X의 양수의 값들이 더해졌으니 당연히 예시로 들어온 티셔츠는 밝은 색으로 분류가 됩니다.

기계학습으로 클래스 예측을 한다는 것은 간단하게 말하자면 인스턴스들의 클래스를 구분짓는 선(decision boundary) 을 찾는 것입니다. perceptron은 linear combination을 f(x)로 사용하기 때문에 linear binary classifier 입니다.

위와 같이 직선으로 클래스를 구분할 수 있는 데이터라면 문제가 없지만 클래스가 뒤섞여 있을 때도 직선인 decision boundary를 사용할 수 밖에 없다는 한계가 존재합니다.

이런 perceptron의 한계점을 극복하기 위해 MLP(다층 신경망)이 나오게 됩니다. 다음 포스팅에서는 신경망의 훈련과정을 시각적으로 표현해주는 웹 사이트 소개에 이어서 MLP 설명이 들어가겠습니다.

Reference

https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53