일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
- 프로그래머스
- 프로그래머스 스타수열
- 메뉴리뉴얼 파이썬
- 인공지능 경진대회
- 자율성장 인공지능
- 비트마스킹
- 프로그래머스 누적합
- 스타수열
- k겹 교차검증
- 카카오 코테 메뉴리뉴얼
- 광고삽입 파이썬
- 프로그래머스광고삽입
- AI경량화
- 과적합방지
- 딥러닝학습
- 확률과우도
- 모델경량화
- 데이터축소
- 프로그래머스 2차원동전뒤집기 파이썬
- 딥러닝
- 프로그래머스 2차원동전뒤집기
- 카카오 메뉴리뉴얼
- 스타수열 파이썬
- 딥러닝 가중치 갱신
- 인공신경망 학습
- 2차원동전뒤집기
- 머신러닝 학습 검증
- MLE
- 딥러닝파라미터
- 로지스틱 최대우도
- Today
- Total
목록ML.AI/선형대수,통계 (4)
머신러닝 개발자의 러닝머신
안녕하세요🤓 오늘은 데이터 밀도 추정 방법으로 많이 사용되는 최대우도법에 대해서 알아보겠습니다.🔎 우도(likelihood, 가능도)란? 최대 우도법은 말 그대로 우도를 최대화하는 지점을 찾는 것을 의미합니다. 이를 이해하기 위해 우도의 개념에 대해 먼저 알아보겠습니다. 우도 (likelihood, 가능도)는 주어진 관측값(데이터)이 특정 확률분포에서 나왔을 가능성을 의미합니다. 즉, 우도는 데이터가 특정 확률모델과 잘 맞는 정도를 말합니다. 우도는 주어진 데이터에 대한 특정 확률 밀도의 값들을 모두 곱한 값으로 정의합니다. 최대 우도법 (Maximum Likelihood Estimation, MLE) 최대 우도법은 앞에서 언급한 것처럼, 주어진 데이터를 가장 잘 설명하는 확률 분포를 찾는 과정으로, 데..
안녕하세요🤓 오늘은 데이터 분석과 머신러닝에서 자주 등장하는 개념인 주성분 분석, PCA에 대해 알아보겠습니다. 주성분 분석(Principal Componet Analysis)이란? 주성분 분석에 대해 이해하려면 주성분이 무엇인지 알아야겠죠? 주성분이란 어떤 방향의 벡터가 가진 방향으로 데이터를 사영시켰을 때, 사영된 데이터들의 분산이 최대화되는 방향벡터를 의미합니다. 이때, 분산은 데이터가 퍼진 정도를 표현하는 통계량으로 분산이 크면 데이터가 평균을 중심으로 흩어져 그 분포를 분석하기에 용이합니다. 반대로, 분산이 작으면 데이터가 평균을 중심으로 밀접해있어 데이터의 중첩이 일어나 데이터의 개개 특징을 파악하기 비교적 어렵습니다. 아래 그림처럼 특정 벡터에 내적한 데이터들(빨간 점)이 왼쪽보다 오른쪽에서..
행렬이란? 행렬은 벡터를 원소로 가지는 2차원 배열로, 행벡터를 원소로 가지는 2차원 배열이다. 행렬끼리 같은 모양을 가지면 덧셈, 뺄셈, 성분곱 연산을 수행할 수 있다. 전치 행렬 전치행렬이란 행과 열의 원소가 서로 바뀐 행렬을 의미한다. 행벡터 열벡터 서로 맞바뀌게 된다. 행렬의 곱셈, 뺄셈, 성분곱 행렬의 덧셈, 뺄셈, 성분곱 연산은 두 행렬의 모양이 서로 같아야 한다. 이때, 연산은 동일한 위치의 원소끼리의 덧셈/뺄셈/곱셈을 수행한 새로운 행렬 연산이 생성된다. 연산 전후의 행렬의 모양은 동일하다. 행렬의 곱셈 행렬의 곱셈은 각 행벡터와 각 열벡터의 내적을 성분으로 하는 연산을 수행한다. X*Y 연산을 수행하기 위해서는 X의 열의 갯수와 Y의 행의 갯수가 같아야 한다. 따라서, 행렬의 곱셈 연산 ..
벡터란? 벡터는 공간 상의 한 점을 나타내며, 원점으로부터 상대적인 위치(방향을 갖는다)를 의미함 숫자를 원소로 가지는 리스트(list) 또는 배열(array)로 나타낼 수 있음 벡터끼리 같은 모양(같은 차원, shape)을 가지면 덧셈, 뺄셈, 성분곱을 수행할 수 있음 이때, 차원이 다른 벡터끼리의 연산은 불가능-> 딥러닝 연산 시 종종 발생하는 에러, 차원에 주의하자 벡터끼리의 곱셈은 성분곱을 의미한다. 같은 위상의 성분끼리 곱셈한 새로운 벡터 생성 벡터의 스칼라 곱 양의 스칼라를 곱하면 벡터의 방향은 그대로, 길이만 바뀐다 이때, 1보다 작은 양의 스칼라를 곱하면 길이가 감소, 1보다 크면 길이가 증가한 형태로 변화한다 음의 스칼라를 곱하면 벡터의 방향이 반대로 바뀌고 길이도 바뀐다 벡터의 덧셈과 ..