94년생 스피노자

이제 슬슬 머리가 매우 아파져온다. 이번에는 차원축소를 하는 방법에 대해 배운다. 0. 차원축소의 필요성 차원은 데이터의 변수를 의미한다. 사람을 설명하기 위해 나이, 키, IQ를 활용한다면 데이터는 3차원이 된다. 물론 3차원 정도에서는 데이터를 분석하는 것에 큰 문제가 되지 않는다. 데이터를 시각화하기도 어렵지 않고 직관적으로 이해할 수 있기 때문이다. 하지만 데이터가 4차원만 되더라도 이해하기가 매우 어려워진다. 변수가 100개라면 상상하다가 미칠지도 모른다. 이런 문제를 해결하기 위해 차원축소가 필요한 것이다. 1. 차원축소 방법 대표적인 차원축소 방법은 Principal Component Analysis(PCA)가 있다. 한국어로는 주성분분석이다. PCA의 핵심은 분산이 가장 큰 분산을 고르는 ..

선형대수학에서 다루는 기본 단위인 벡터를 배워보자. 벡터는 쉽게 말하면 길이와 방향을 가진 선분이다. 그리고 길이는 앞에 특정 수를 곱해서 조절할 수 있다. 간단하게 예를 들어보겠다. 다음 2가지 선택지가 있다고 생각해보자. A : 남쪽으로 20 걸음 걷기 B : 동쪽으로 15 걸음 걷기 여기서 각각의 선택지는 벡터와 같다. 길이(걸음수)와 방향(동서남북)이 주어졌기 때문이다. 앞서 말했듯이 우리는 걸음수를 조정할 수 있다. 0.5*A는 남쪽으로 10걸음 걷기가 되고, -1*A는 북쪽으로 20걸음 걷기가 된다. 만약 우리에게 선택지 A와 B 중 1개 밖에 없다면 어떻게 될까? A가 주어지면 북쪽 혹은 남쪽으로 밖에 이동할 수 없게 되고 B가 주어지면 동쪽 혹은 서쪽으로 한줄로 이동할 수 밖에 없다. 선택..

어제는 선형대수학이 왜 필요한지 간단히 배웠다. 이번에는 선형대수학이 좌표상에서 어떻게 활용되는지 배울 것이다. 뿐만 아니라 공분산과 상관관계에 대해서도 간단히 다룰 것이다. Warm-Up 영상 링크를 아래에 첨부한다. 1. Linear Combinations, Span, and Basis Vectors https://youtu.be/k7RM-ot2NWY 2. Covariance & Correlation https://youtu.be/KDw3hC2YNFc 3. Linear Projection https://youtu.be/aTBtgW7U-Y8 모두 행복하길 -끝-

이제 벌써 부트캠프 3주차가 도래했다. 지금까지 파이썬으로 데이터 처리 및 시각화를 배웠고 이를 바탕으로 간단하게 통계적 검증을 하는 방법을 배웠다. 이번주부터는 선형대수학에서 대해 배우게 된다. 선형대수학은 행렬을 통해서 input과 output의 관계를 선형으로 표현한다. 행렬을 가장 쉽게 표현하고 다룰 수 있는 방법을 배운다고 생각하면 된다. 그럼 평소와 같이 Warm-Up 영상 링크를 아래에 첨가한다. 1. 선형대수가 왜 중요한가요? https://youtu.be/Y1xfpMiyDP4 2. Essence of Linear Algebra https://youtu.be/fNk_zzaMoSs 3. 딥러닝 자연어 처리 - 단어 벡터 변환 (Word2Vec) https://youtu.be/sY4YyacSs..