수안이의 컴퓨터 연구실

• Amazon.com - INTRODUCTION TO DATA MINING
• Kangcom.com - 데이터 마이닝
• 저자 홈페이지 - http://www-users.cs.umn.edu/~kumar/dmbook/index.php

데이터의 타입

• 데이터 집합은 여러 가지 형태로 상이
• 데이터 집합은 특별한 특성을 가질 수 있음
• 데이터의 타입은 데이터의 분석에 사용하게 될 도구와 기법을 결정

데이터의 품질

• 데이터는 완전하지 않음
• 데이터 품질을 이해하고 개선하면 품질이 개선됨
• 데이터 품질 문제
  • 잡음과 이상치의 존재
  • 누락되거나 비일관적이거나 중복된 데이터
  • 편중되거나 데이터가 기술해야 할 현상이나 모집단을 대표하기 어려운 데이터

데이터 마이닝에 더 접합하도록 데이터를 전처리하는 단계

• 데이터 품질 개선
• 특정 데이터 마이닝 기법이나 도구에 더 잘 맞도록 데이터를 수정
• 데이터 집합의 속성수 감소 (상대적으로 적은 속성들을 가질 경우 효율적으로 동작)

관계 측면에서의 데이터 분석

• 데이터 객체들 간의 관계를 발견하고 난 후, 데이터 객체 자체보다는 관계에 대한 분석 수행

2.1 데이터의 타입

• 데이터 집합(data set)은 데이터 객체(data object)의 모임
  • 데이터 객체의 다른 명칭 : 레코드, 점, 벡터, 패턴, 사건, 사례, 표본, 관찰, 개체
• 데이터 객체는 물리적 객체의 질량이나 사건이 일어난 시간과 같이 주어진 객체의 기본적 특성을 표현하는 다수의 속성(attribute)에 의해 기술
  • 속성의 다른 명칭 : 변수, 특성, 필드, 특징, 차원

2.1.1 속성과 측정

• 속성(attribute)이란 객체에 따라 또는 시간에 따라 변하는 객체의 특성
  • 기호 속성 : 눈동자의 색깔은 소수의 가능한 값들 {갈색, 흑색, 청색, 녹색, 헤이즐색 등}
  • 수치 속성 : 온도는 가능한 값의 수가 무한개
• 척도(measurement scale)란 수치나 기호 값을 객체의 속성에 부여하는 규칙(함수)
  • 측정(measurement) 과정은 특정 객체의 특정 속성에 하나의 값을 연관시키기 위해 척도를 적용
    • 예, 몸무게를 재기 위해 욕실의 체중계에 오름, 누군가를 남녀로 구분

속성의 타입

• 측정하기 위해 사용된 값에 속성의 어떤 특성이 반영되어 있는지를 알 수 있어야 함
• 측정된 값의 어느 특성이 속성의 기반이되는 특성과 일관성이 있는지 알 수 있음
• 직원 ID의 평균을 구하는 어리석은 행위를 피할 수 있음
• 척도의 타입(type of a measurement scale) 이라고도 함

속성의 상이한 타입들

속성의 타입을 명세하는 유용한(단순한)방법은 속성의 기반이 되는 성질에 해당하는 숫자의 성질을 식별하는 것

값의 개수에 의한 속성 기술

• 이산(discrete) - 이산형 속성은 유한개의 값 또는 셀 수 있는 무한 집합의 값
  • 범주적 - 우편번호, ID 번호
  • 수치적 - 개수
  • 이진속성(binary attribute) - 참/거짓, 예/아니오, 남/여, 0/1
• 연속(continuous) - 연속형 속성은 실수 값 (부동 소수점 변수)
  • 예, 온도, 높이, 깊이

비대칭 속성

• 존재(0이 아닌 속성 값)만이 중요하게 간주
• 비대칭 이진 속성(asymmetric binary attribute) - 0이 아닌 값들만이 중요
• 비대칭 이산형(asymmetric discrete)
• 연속형 속성(continuous attribute)
• 예, 각 과목에 연관된 학점수를 기록

2.1.2 데이터 집합의 타입

데이터 집합의 일반적 특성

• 차원(dimensionality) - 데이터 집합의 객체들이 소유하는 속성의 수
  • 차원의 저주(curse of dimensionality) - 고차원 데이터를 분석하는 작업에 연관된 어려움
  • 차원 감소(dimensionality reduction) - 데이터의 전처리에 대한 중요한 동기
• 희소성(sparsity) - 객체 대부분의 속성들이 0의 값을 가짐, 0이 아닌 값들만 저장하고 조작하면 됨
• 해상도(resolution) - 데이터를 상이한 수준의 해상도로 얻을 경우 데이터의 특성도 달라짐
  • 예, 지구의 표면은 미터 단위의 해상도에서 평평하지 않지만, 수십 Km 단위의 해상도에서는 상대적으로 매끈하게 보임

• 레코드 데이터(Record data) – 다수의 데이터 마이닝 작업은 데이터 집합을 레코드들(데이타 객체들)의 모임으로 간주
• 트랜잭션 데이터(Transaction data) - 트랜잭션 데이터는 레코드 데이터의 특수한 타입으로 각 레코드(트랜잭션)가 항목의 집합을 포함; 장바구니 데이터(market basket data)라고도 함
• 데이터 행렬(Data matrix) - 데이터 모임에 있는 데이터 객체들이 모두 동일한 수치 속서의 고정 집합을 가지고 있을 경우 데이터 객체들은 각 차원이 객체를 기술하는 하나의 속성을 표현하는 다차원 공간 상의 점(백터)으로 간주; 이러한 데이터 객체들의 집합은 각 객체에 대해 하나씩 m개의 행을 갖고, 각 속성에 대해 하나씩 n개의 열을 갖는 m x n 행렬로 해석; 패턴 행렬(pattern matrix)라고도 함
• 희소 데이터 행렬(sparse data matrix) - 데이터 행렬의 특수한 경우로 속성들이 동일한 타입을 가지며 비대칭 형태; 문서에서 용어(단어)의 순서를 무시할 수 있다면, 용어 백터로 표현 가능, 문서 모임을 이렇게 표현한 것을 문서-용어 행렬(document-term matrix)이라고 함

그래프기반의 데이터

 

• 객체 간의 관계를 가진 데이터 – 데이터 객체는 그래프의 노드로 매핑되고 객체들 간의 관계는 링크, 방향이나 가중치 같은 특성으로 표현
• 그래프인 객체를 가진 데이터 - 객체가 관계를 가진 서브객체들을 포함한다면 그래프로 표현

서열형 데이터

 

• 순차 데이터(sequential data)
  • 각 레코드가 그에 관련된 시간을 가지는 형태로 레코드 데이터를 확장한 것; 시간 데이터(temperal data)라고도 함;
  • 예, 각 레코드의 한 고객에 대한 구입 이력
• 서열 데이터(sequence data)
  • 단어나 글자의 서열과 같이 개별 개체의 서열로 된 데이터 집합으로 구성;
  • 예, 식물이나 동물의 유전 정보는 유전자라고 알려진 염기의 서열 형태로 표현
• 시계열 데이터(time series data)
  • 순차 데이터의 특수한 타입으로 각 레코드가 시계열(time series), 즉 시간이 경과하면서 측정한 값들로 구성
  • 예, 금융 데이터 집합
  • 시간 데이터에 대한 작업 시 두 개의 측정이 시간적으로 가까우면 그러한 측정값들이 종종 매우 유사해지는 시간 자동상관(temporal autocorrelation)을 고려하는 일이 중요
• 공간 데이터(spatial data)
  • 위치나 면적과 같은 공간 속성을 가짐
  • 예, 다양한 지리적 위치로부터 수집되는 날씨 데이터(강수량, 온도, 압력)
  • 물리적으로 가까운 객체들이 유사해지는 경향이 있는 공간 자동상관(spatial autocorrelation)을 고려하는 일이 중요

비-레코드 데이터 처리

• 데이터 객체들로부터 특징을 추출하여 이 특징들을 이용해서 각 객체에 해당하는 레코드를 생성한 후 레코드-지향 기법들을 적용할 수 있음
• 속성들이 서로 통계적으로 독립되었다고 가정하는 데이터 마이닝 기법을 사용하는 것은 바람직 하지 않음

2.2 데이터 품질

1. 데이터 품질 문제의 검출과 수정, 데이터 정제(data cleaning)이라고 함
2. 저급 데이터 품질을 감내할 수 있는 알고리즘의 사용에 치중

2.2.1 측정과 데이터 수집 문제

잡음(noise), 아티팩트(artifacts), 편차(bias), 정밀도(precision), 그리고 정확도(accuracy)와 같은 측정 오류를 포함하는 다양한 문제들을 고려

측정과 데이터 수집 오류

• 측정 오류(measurement error) - 측정 과정에서 비롯된 문제를 지칭
• 오류(error) - 연속형 속성의 경우, 측정값과 참값의 수치적 차이
• 데이터 수집 오류(data collection error)는 데이터 객체나 속성 값을 빼먹거나 데이터 객체를 부적절하게 포함시키는 오류

잡음과 아티팩트

• 잡음(noise) - 측정 오류의 임의적 성분; 값의 왜곡이나 가짜 객체의 추가와 관련
• 견고한 알고리즘(robust algorithm) - 잡음의 제거는 매우 어려우며, 데이터 마이닝에서는 상당량의 작업이 잡음 존재 시에도 수용 가능한 결과를 생성하는 견고한 알고리즘을 고안하는데 치중
• 아티팩트(artifact) - 데이터의 반복적인 왜곡

정밀도, 편차, 그리고 정확도

• 정밀도(precision) - 반복된 측정값들(동일 수량에 대한)의 밀접성
  • 종종 집합값의 표준편차에 의해 측정
• 편차(bias) - 측정되는 수량으로부터의 측정값의 체계적 변형
  • 집합값의 평균과 측정되는 수량의 알려진 값과의 차이를 취해서 측정
• 정확도(accuracy) - 측정되는 수량의 참값에 대한 측정값들의 밀접성
  • 정밀도와 편차에 의해 좌우됨
  • 유효 자리(significant digit)의 사용이 중요

이상치(anomalous value)

• 데이터 집합에서 대부분의 다른 데이터 객체와 상이한 특성을 가지는 데이터 객체
• 특정 속성에 대한 전형적인 값에 비추어 볼 때 비정상적인 값
• 이상치는 적법한 데이터 객체 또는 값일 수 있음

누락 값(missing value)

• 데이터 분석 과정에서 처리 필요
• 데이터 객체 또는 속성을 제거 - 다수의 객체들이 누락 값을 가지면 신뢰적인 분석은 어렵거나 불가능
• 누락 값을 추정 - 부드럽게 변화하는 형태이나 몇 개의 누락 값이 넓게 펼쳐져 있는 시계열 형태일 경우 누락 값은 나머지 값들을 이용하여 추정(보간) 될 수 있음
• 분석 과정에서 누락 값을 무시 - 객체들이 군집화되어 있고 데이터 객체들의 쌍들 간의 유사도가 계산될 필요가 있을 경우 주어진 쌍의 한 객체 또는 양쪽 객체가 일부 속성에 대해 누락 값을 가지면 누락 값을 가지지 않는 속성들만을 이용해서 유사도를 계산할 수 있음
• 일관성이 없는 값 - 일관성이 없는 값의 원인과 상관없이 이러한 문제를 감지하고 가능하다면 수정하는 일이 중요

중복 데이터

• 하나의 단일 객체를 실제로 표현하는 두 개의 객체가 존재하면 해당 속성의 값들은 상이할 것이며, 이렇게 일관성이 없는 값드을 해결되어야 함
• 유사하지만 중복이 아닌 두 개의 객체를 잘못해서 합치는 일이 없도록 주의를 기울어야 함

2.2.2 응용과 관련된 문제

• 적시성(timeliness) - 일부 데이터는 수집 즉시 나이가 들기 시작; 데이터의 유효 날짜가 지나면 그것을 기반으로 한 모델이나 패턴도 유요하지 않음
• 관련성(relevance) - 가용한 데이터는 응용에 필요한 정보를 포함해야 함
• 데이터 집합의 객체들이 관련된 것인지 확인
  • 표본추출 편차(sampling bias) - 주어진 표본이 실제 모집단에 비례한 다양한 타입의 객체들을 포함하지 않을 때 발생
• 데이터에 대한 지식
  • 문서가 여러 속성들이 강하게 관련되어 있다고 언급하면, 중복된 정보를 제공할 가능성이 높으므로, 하나만을 유지하기로 결정할 수 있음
  • 문서가 열약하여 필드의 누락 값들이 -9999로 표시되어 있다는 것을 알려주지 않으면 그 데이터에 대한 분석은 오류가 있음
  • 다른 중요한 특성 - 데이터의 정밀도, 특징의 타입(명목형, 서열형, 구간, 비율), 측정의 척도, 데이터의 출처

2.3 데이터 전처리

2.3.1 총계

두 개 이상의 객체를 하나의 단일 객체로 결합

총계에 대한 동기

1. 데이터 축소에 따른 소형 데이터 집합은 적은 기억 공간과 처리시간을 요구 (고가의 데이터 마이닝 알고리즘을 사용할 수 있게됨)
2. 저수준 관점 대신에 고수준 관점을 제공하여 범위나 규모에 변화를 가져올 수 있음
3. 객체나 속성 그룹의 행위는 개별 객체나 속성의 행위보다 더 안정적임 (평균이나 합계와 같이 집계된 수량이 집계되는 개별 객체들보다 가변성이 적다는 통계적 사실을 반영)

총계의 단점

• 관심있는 세부사항의 잠재적 손실
• 월별로 집계하는 상점의 경우 한 주에서 판매액이 제일 많은 날에 대한 정보가 손실

2.3.2 표본추출

• 분석될 데이터 객체의 부분집합을 선택하는 접근법으로 많이 사용
• 표본은 근사적으로 원래 데이터 집합과 동일한 성질을 가질 때 대표적
• 표본이 대표적이라면 표본을 이용한 작업이 전체 데이터 집합을 이용한 것과 거의 동일하게 작동

표본추출 접근 방법

• 단순 임의 표본추출 (simple random sampling)
  • 무대체 표본추출 (sampling without replacement) - 각 항목 선택 시 그것을 모집단(population)을 구성하는 모든 객체의 집합으로부터 제거
  • 대체 표본추출 (sampling with replacement) - 객체가 표본으로 선택될 때 그것을 모집단으로부터 제거하지 않음
• 층화 표본추출 (stratified sampling) - 관심 항목에 대해 상이한 빈도를 수용할 수 있는 표본 추출 기법 (희귀 클래스에 대한 분류 모델을 구축할 경우 희귀 클래스가 표본에 적절하게 표현되는 일이 중요)

점진적 표본추출

• 적절한 표본 크기 결정이 어려우므로 종종 적응적(adaptive) 또는 점진적 표본 추출(progressive sampling) 기법이 사용
• 초기에 정확한 표본 크기를 결정할 필요성을 제거해 주지만, 표본 크기가 충분히 큰지를 평가할 방법이 필요

2.3.3 차원 축소

차원 축소의 이득

• 관련 없는 특징 제거
• 잡음의 감소
• 속성의 수 감소로 인한 이해 가능한 모델 생성
• 데이터 가시화에 효과적
• 데이터 마이닝 알고리즘에 의해 요구되는 소요시간이나 메모리 소요량 감소

차원의 저주

• 여러 타입의 데이터 분석이 데이터의 차원이 증가함에 따라서 매우 어려워지는 현상
• 차원이 증가하면 데이터는 그것이 차지한는 공간 상에서 점차적으로 희소해짐
• 분류의 경우, 충분한 데이터 객체가 존재하지 않게 되어 모든 가능한 객체에 대해 신뢰적으로 해당 클래스를 할당해주는 모델의 생성이 어려움
• 군집화에서 핵심적인 역할을 하는 밀도와 점 간의 거리의 의미가 무색해짐
• 다수의 군집화와 분류 알고리즘은 고차원 데이터의 경우 분류 정확도가 떨어지고, 질 나쁜 클러스터를 만들게 됨

차원 축소를 위한 선형 대수 기법

• 주성분 분석(PCA: Principal Component Analysis) - 연속형 속성을 위한 선형 대수 기법
  • 원래 속성의 선형 조합
  • 서로 직교(orthogonal)(수직)
  • 데이터 변형의 최대량을 반영하는 새로운 속성 발견법
• 특이값 분해(SVD: Singular Value Decomposition) - PCA와 관련 있고 차원 축소를 위해 흔히 사용되는 선형 대수 기법

2.3.4 특징 부분집합 선택

차원을 축소하는 또 다른 방법으로 특징의 부분집합만을 사용하는 방법

• 중복 특징(redundant feature) - 한 개 이상의 다른 속성에 포함된 정보의 상당 부분 또는 전체가 중복된 것
• 비관련 특징(irrelevant feature) - 진행하려는 데이터 마이닝 작업에 거의 불필요한 정보를 포함한 것

특징 선택을 위한 표준 전략

• 삽입 방법 - 데이터 마이닝 알고리즘의 일부로 동작 중에 알고리즘 자체에서 사용할 속성과 무시할 속성 결정 (알고리즘 종속적)
• 필터(filter) 방법 - 데이터 마이닝 알고리즘 실행 전 독립적인 방법을 이용하여 선택
• 래퍼(wrapper) 방법 - 속성에서 최상의 부분집합을 발견하기 위해 목표 데이터 마이닝 알고리즘을 블랙박스로 사용

특징 부분집합 선택을 위한 아키텍처

• 특징 부분집합 선택이란 특징의 모든 가능한 부분집합에 대한 탐색
• 탐색 전략은 계산적으로 저비용이어야 하고 특징의 최적 또는 최적에 가까운 집합을 발견해야 함
• 탐색의 핵심 부분은 현재의 특징 부분집합을 그동안 살펴본 것과 비교하여 판단한는 평가 단계
• 분류나 군집화와 같은 특정 데이터 마이닝 작업의 관점에서 속성 부분집합의 양호성을 결정하는 평가 척도 필요
  • 필터 방법 : 실제 데이터 마이닝 알고리즘이 주어진 속성의 집합에 대해 얼마나 잘 수행될지 예측하려고 시도
  • 래퍼 방법 : 데이터 마이닝 결과를 측정하기 위해 통상적으로 사용되는 기준을 단순히 적용하여 부분집합 평가
• 부분집합의 수는 매우 클 수도 있고 그 모두를 검사하는 것은 불가능하므로 어떤 형태이든 중단 조건 필요
  • 반복횟수
  • 부분집합 평가 측정값이 최적의 값이거나 특정 임계값을 초과했는지의 여부
  • 특정 크기의 부분집합이 구해졌는지의 여부
  • 크기와 평가 기준 모두가 달성되었는지의 여부
  • 탐색 전략에 가용한 옵션에 의해 더 이상의 개선이 성취될 수 있는지의 여부
• 특징 부분집합이 선택되면, 선택된 부분집합에 대한 목표 데이터 마이닝 알고리즘의 결과가 검증되어야 함
  • 단순한 평가 방법 : 특징 전체 집합에 대해 알고리즘을 적용한 후 그 결과를 특징 부분집합에 대해 적용한 결과와 비교하는 것
  • 다른 검증 방법 : 다수의 상이한 특징 선택 알고리즘들을 사용하여 특징의 부분집합들을 구한 후, 각 부분집합에 대해 데이터 마이닝 알고리즘을 수행한 결과들을 비교하는 것

 

특징 가중치

• 특징을 유지하거나 제거하는 데 대한 대안적인 방법
• 좀더 중요한 특징은 높은 가중치, 덜 중요한 특징은 낮은 가중치 부여
• 특징의 상대적 중요도에 대한 도메인 지식을 기반으로 가중치 부여 가능
• 자동적으로 가중치 결정 가능

2.3.5 특징 생성

• 특징추출(feature extraction) - 원본 데이터로부터 특징의 새로운 집합을 생성하는 것
• 새로운 공간으로 데이터 매핑 - 데이터에 대한 완전히 새로운 관점은 중요하ㅏ고 흥미로운 특징 표출
  • 푸리에 변환(fourier transform) - 시계열을 주기 정보가 명시적으로 드러나는 표현으로 변경시켜 패턴 검출
  • 웨이블릿 변환(wavelet transform) - 시계열과 기타 유형의 데이터에 대해 매우 유용

2.3.6 이산화와 이진화

• 이산화 - 연속형 속성을 범주 속성으로 변환
• 이진화 - 연속형과 이산형 속성을 한 개 이상의 이진 속성으로 변환

이진화

1. m개의 범주 값이 존재할 경우, 각각의 원래 값에 대해 구간 [0, m-1] 사이의 정수를 유일하게 할당 (속성이 서열형이면, 그 순서를 할당 순서로 유지)
2. m개의 정수 각각을 이진수로 변환

 

연속형 속성의 이산화

연속형 속성의 값을 이러한 범주로 매핑하는 방법을 결정하는 두 가지 작업

1. 연속형 속성의 값들을 정렬한 후 n-1개의 분리점(split point)을 명세해 n개의 구간으로 나눔
2. 한 구간에 속한 모든 값들을 동일한 범주 값으로 매핑

무감독(unsupervised) 이산화 - 클래스 정보 사용 안함

• 동등 폭(equal width) - 속성의 범위를 동등한 폭을 가지는 사용자-명세 구간 수로 나눔
• 동등 주파수(equal frequency), 동등 깊이(equal depth) - 각 구간에 동일한 수의 객체들을 배치

유감독(supervised) 이산화 - 클래스 정보 사용

이 책은 인간에게 있어서 정보란 무엇인가? 를 시작으로 정보의 종류와 해석 및 의미 부여에 대해 설명하고 있다. 또한 데이터와 정보의 구별, 정보와 지식의 구별 그리고 정보나 지식의 구조에 따른 요소 해체와 재결합을 통해 정보나 지식의 재사용성을 보여준다.

멀티미디어의 기본 구조와 방대한 화상이나 영상의 데이터 압축 기술, 디지털 정보를 다루는 방식, 콘텐츠를 처리하는 장치나 시스템에 대해서도 논의한다. 또한 멀티미디어 정보 환경에서 인간에게 미치는 심리적인 영향, 지적 소유권, 정보 윤리 등에 대해서도 설명한다.

멀티미디어 시스템의 중요한 요소 중에 하나인 인간과 시스템의 상호작용에 대해서 설명하며, 인간과 기계사이의 인터페이스 개념을 알려준다. 또한 인간이 가지고 있는 학습능력으로 인터페이스를 다루는 것이 날로 익숙해지기 때문에 그에 따른 인터페이스의 변화에 대해서 설명하고 있다.

멀티미디어가 나타내는 인간의 감성이나 인간이 감성을 멀티미디어에 표현하는 방법, 감성 정보를 파악하는 방식에 대해서 설명한다. 또한 인간의 얼굴 표정이나 각종 수단에 의한 감성정보 전달방법과 시스템화에 대해서도 설명한다.

1. 인간과 정보
   1. 정보는 송신자와 수신자간의 약속에 따라, 송신자의 의도가 정보라는 형태로 표현되어 보내지는 것이지만, 수신자는 송신자의 의도와 상관없이 받아들이는 경우도 있다.
   2. 정보에는 아날로그 정보와 디지털 정보가 있는데, 정보의 처리와 전달, 활용면에서는 디지털 정보 쪽이 압도적으로 유리하다.
   3. 미디어는 정보를 표현하고 전달하는 매체이며, 다양한 종류가 있다.
   4. 정보의 표현 형태는 각종 특징축으로 분류할 수 있다. 여기에서 특히 간접적으로 표현되는 감성적 정보의 인식이 중요하다.
   5. 정보는 수신자의 해석에 따라 데이터 수준, 의미 수준, 연상적 해석의 세계에 이르기까지 몇 단계의 수준이 있다. 또한 정보의 의미를 생각할 때에는 기호론적 해석이 중요하다.
   6. 미디어 상호간의 변환은 중요한 기술이다. 여기에는 인식의 과정과 정보를 부여하면서 창조해가는 과정이 있다.
   7. 정보를 이용하려면 그것을 요소로 해체하고, 다른 형태로 재결합 · 재구성하는 방법을 확립해야 한다. 특히 연상되는 정보들을 도출해낼 수 있도록 미디어 정보를 통합하는 것이 중요하다.
   8. 인터넷은 가장 흥미로운 멀티미디어 시스템이다.
2. 멀티미디어 시스템의 형성
   1. 디지털형식의 멀티미디어 정보의 전송방식으로는 패킷전송 교환방식이 가장 널리 쓰인다.
   2. 멀티미디어 정보를 처리하기 위한 전용 처리장치 또는 기억장치를 지닌 컴퓨터 시스템이 개발중이며, 소프트웨어도 이러한 특징이 있는 것이 개발중이다.
   3. 이용자가 멀티미디어를 활용하기 위해서는 충실한 콘텐츠가 우선이고, 관련된 콘텐츠를 하이퍼텍스트나 하이퍼미디어 구조로 구성하는 것이 중요하다.
   4. 콘텐츠를 축적하여 이용하기 위한 디지털화, 입출력, 그리고 기억을 위한 각종 장치가 개발되어 다양한 미디어콘텐츠의 입출력과 기억에 사용된다.
   5. 멀티미디어 시스템은 양방향식 · 대화식 시스템일 필요가 있다.
   6. 멀티미디어 시스템의 전형적인 예로 자동차 운행 시스템과 지역 멀티미디어화 계획이 있다.
   7. 멀티미디어를 사이버 사회에서 활용하려면, 지적소유권을 존중하고 정보윤리를 지킴과 동시에 정보범죄를 방지하기 위한 세심한 주의가 필요하다. 또한 개인의 심리상태에 관해서도 충분한 배려가 있어야 할 것이다.
3. 멀티미디어 정보와 상호작용
   1. 멀티미디어 인터페이스는 인간이 사용하기 쉬운 인터페이스를 실현하는 것에 주안점을 두고 있지만, 그 열쇠는 인간과 기기 사이의 상호작용을 어떻게 지원하는가 하는 점에 있다. 그러한 상호작용을 유지하기 위해서 메타포와 어포던스라는 방식이 있고, 또 그것들을 실현시키기 위해서 인터페이스 에이전트와 직접조작 인터페이스라는 방법이 있다.
   2. 인간과 기기 또는 인간과 인간 사이의 커뮤니케이션을 지원하는 멀티모덜 인터페이스의 구축에는 단순히 여러가지 양식의 정보를 취급할 수 있는 것만이 아니라, 다른 양식의 정보를 어떻게 분배하고 어떠한 표현으로 제시할 것인가 하는 문제까지 해결하는 고도의 기술이 요구되고 있다.
   3. 사회적 상호작용이라는 사고방식은 앞으로의 정보 네트워크 사회에서 인간이 고도의 기기를 제대로 사용하는 데 있어 매우 중요해질 것으로 예상된다. 사회적 상호작용의 개념을 기초로 한 멀티미디어 인터페이스 방식으로서 의인화 에이전트, 기기에 대한 인간의 사회적 대응방법, 감정정보를 이용한 인터페이스 등이 있다. 의인화 에이전트 중에는 고도의 커뮤니케이션 기능을 갖지 않고도 인간의 화신 역할을 할 수 있는 애버타가 포함된다.
4. 멀티미디어와 감성정보 처리
   1. 정보처리에는 물리, 논리, 감성의 세 가지 계층이 있다.
   2. 감성은 지성과 더불어 사물을 이해하는 인간의 능력이며, 인간 중심의 시스템 제작에서 감성의 고려는 빼놓을 수 없다.
   3. 감성은 논리적인 축적과는 다른 정보처리의 양식이고, 감성과 감성정보의 특징으로는 다의성, 개인성, 상황의존성을 들 수 있다.
   4. 감정과 정서는 감성의 일부이다. 또한 감성정보 처리에서는 환경과 신체적인 특징을 고려할 필요가 있다.
   5. 감성정보 처리에는 물리, 생리, 심리, 인지의 각 계층이 있다.
   6. 감성정보는 인터페이스에 있어서 특히 중요한 역할을 하며 멀티미디어에 있어서도 중심 과제 중의 하나이다.
   7. 감성정보의 취급에서는 오감의 감각양식을 고려해야 한다.
   8. 정보의 고품질화, 컴퓨터의 고성능화에 의해 감성정보를 공학적으로 취급할 수 있게 되었다.
   9. 감성정보 처리의 연구는 처리과정의 연구와 처리방법의 연구로 나눌 수 있지만, 분석적인 이해만이 아니라 시스템을 제작하여 이해하는 방법도 필요하다.

말 그대로 멀티미디어 정보학의 기초를 다루고 있으며 1999년도에 씌여진 책이라 IT 분야에서는 고전 책이라고 할 수 있다. 그럼에도 불구하고 이외나미 기획신서 12권 중 7권을 구매했다. 도서관에서 미리 다른 책들을 잠깐 봤었는데 아주 참신하고 좋은 책들이었다. 그리하여 온라인으로 7권을 구매(구매 가능한 책이 7권)하고 시리즈의 첫번째 책을 읽었다. 나머지 책들도 읽으면서 요약정리를 올릴 생각이다.