인공지능, 머신러닝, 딥러닝의 핵심용어와 몇가지 수학개념 정리: 미리어드 스페이스 인공지능, 머신러닝, 딥러닝 저자 직강 시리즈

 

스칼라 = 실수값

벡터 = 크기와 방향을 가진 숫자가 1차원 배열로 이루어짐

행렬 = 2차원 배열(array)

텐서 = 행렬의 모음(다차원 배열)

 

스칼라

 

벡터

벡터 = n개의 특성을 가진 좌표값

 

 

벡터 연산: + (덧셈), - (뺄셈), x (곱셈)

덧셈과 뺄셈은 쉬운데 문제는 곱셈

 

벡터의 곱셈

Scalar Product = Cosine Product = Dot Product = 내적벡터 다 같은 말

Scalar Product 결과값은 스칼라가 됨

 

 

Vector Product = Sin Projuct = Cross Product = 외적벡터 다 같은 말

Vector Product는 머신러닝에서는 잘 안쓰임

Vector Product 결과값은 벡터가 됨

오른손 법칙

 

 

행렬

머신러닝에서 행렬은 매우중요

x를 x프라임으로 변환시켜주는게 역할을 하는게 행렬

 

행렬의 3가지 중요한 연산

행렬 x 벡터, 행렬 x 행렬, 행렬의 트렌스포즈

 

텐서

 

머신러닝에서의 텐서 = 배치 데이터에 대한 학습변수 배열

 

딥러닝에서 벡터와 텐서의 의미

 

벡터: 데이터

텐서(행렬): 학습변수

 

e.g.

강아지 데이터 = [5,1]T 가 있을때 이걸 딥러닝 모델(수십개의 파라미터 데이터)을 학습시켜 정답([1,5]T) 으로 유사하게 맞추는 과정이 딥러닝에서 벡터와 행렬을 다루는 기본적인 개념

 

놈 Norm

 

Norm = 벡터의 크기(magnitude) 또는 길이(length)

x = [0, -1, 4] 일때

L0 = 2 -> 0이 아닌 숫자들의 개수

L1 = 5 -> 공식 P에 1을 대입하면 |-1| + |4| = 5

L2 = 루트17 공식 P에 2를 대입하면 루트17 

L무한 = 4 백터값중에 가장 큰 숫자

 

고유값 고유벡터

 

특이값 분해

 

임의변수, 확률변수

 

Random Variable = 확률적으로 정의할수있는 변수 = 임의변수 = 확률변수

 

결합확률, 조건부확률, 베이즈 룰

 

베이즈 룰 예제

 

쿨백 라이블러 발산

 

분류 평가지표

 

조기종료

 

정규분포

 

 

편향과 분산

 

경사법

 

 

 

출처: https://www.youtube.com/watch?v=-CebbxtXdHA&t