ML, DL 정리 블로그

- 본 내용은 edwith에서 인공지능을 위한 선형대수 내용을 통해 작성되었습니다. 이번 강의에서는 선형종속(Linear dependence), 선형독립(Linear independence), 부분공간(subspace)를 배웁니다. 선형독립은 우리가 벡터 방정식으로 가능한 모든 조합(span)안에 상수벡터(target vector)가 들어가 있고 없고에 따라서 이 해가 특별한 해인지 아니면 수없이 많은지를 알게 해 준다고 했습니다. 해를 찾는 과정은 주어진 상수벡터에 가장 가깝거나 일치하는 벡터를 만들기 위해서 scale factor을 조절하는 것입니다. 여기서 해가 무수히 많이 존재한다는 것은 정답에 일치하는 벡터의 조합이 무수히 많은 것입니다. 이때를 선형종속이라고 합니다. 이러한 경우는 같은 차원의..

- 본 내용은 edwith에서 인공지능을 위한 선형대수 내용을 통해 작성되었습니다. 선형 결합은 $R^n$ 차원상의 벡터들에 상수 배를 곱해서 전부 더한 것입니다. 선형 결합이 나온 이유는 우리가 푸는 딥러닝 문제들도 입력 데이터에 상수 배(파라미터)를 곱하는 형태이기 때문입니다. 예제를 coulmn vector로 보면 $R^3$에 속하는 선형 결합으로 볼 수 있습니다. 그러면 다음과 같이 방정식 형태로 나오게 되는데 이것을 벡터 방정식이라고 합니다. Span 어떤 벡터들의 모든 선형 결합의 결과물을 모은 것이 Span입니다. 유한한 재료 벡터들을 가지고 만들 수 있는 모든 선형 벡터의 집합입니다. span은 하나의 실수 공간을 만들 수 있습니다. 연립 방정식이 아닌 벡터 방정식을 통해서 문제에 접근해보..

- 본 내용은 edwith에서 인공지능을 위한 선형대수 내용을 통해 작성되었습니다. Linear Equation(선형 방정식) $a_1x_1 + a_2x_2 + ... + a_nx_n $ 선형대수에서는 방정식을 한번에 생각할 수 있습니다. $[a_1, a_2 ... a_3]$ 일반적으로 Scalar를 표현할 때는 x 벡터를 표현할 땐 $x$ (굵게 씁니다.) Matrix를 표현할 땐 대문자로 $X$ Linear System: Set of Equations(방정식) Linear System은 선형 방정식(Linear Equations)의 집합! 연립 방정식을 의미합니다. 머신러닝에서도 data, feature의 target label들을 연립 방정식으로 푸는 것과 유사하게 계산합니다. (target lab..

본 내용은 edwith에서 인공지능을 위한 선형대수 내용 통해 작성되었습니다. 선형대수의 기본적 요소 Scalar 하나의 숫자 Vector 순서가 정해진 array 순서가 정해지지 않은 array는 set Matrix 행렬, 기본적으로 행렬은 2-dimensional array를 뜻합니다. Matrix의 사이즈는 = $row \times column$Row vector의 shape은 (1, n), Coulmn vector의 shape은 (n, 1)의 형태입니다. (Column은 기둥이라는 의미를 가집니다, 세로로 서있는 기둥을 생각하면 조금 더 구분하기 쉬워집니다.) Row vector을 Transpose 하면 Column vector가 나옵니다. Transpose는 아래 사진과 대각선을 중심으로 성분들..