AI와 데이터의 모든 것

Norm (노름) : 벡터의 절대적인 크기. 또는 두 벡터 간의 거리. 기호로는 || X || 라고 표시한다. (X는 벡터) Norm의 차수 : Lp-norm, p-norm이라고 표현하고, 이때 p가 norm의 차수이다. * 위키백과 L1 norm p = 1 맨해튼 거리 각 요소(의 차이)에 대한 절대값을 취해 모두 더한 값 (절대적인 값) 절대값을 취하기 때문에, 이상치(outliers)에도 덜 민감하다. 예시 : 격자 모양의 도로망에서 최단 거리를 구하는 방식 딥러닝에서의 활용예시 : L1 loss = 실제값과 예측값의 차이에 대한 절대값의 합. L1 loss의 평균 = MAE (Mean Absolute Error) L2 norm p = 2 유클리디안 거리 각 요소(의 차이)에 대해 제곱을 취해 모두..

* 집합 = S * S에 속해있는 벡터 = Vi * 선형결합을 위해 곱해주는 scalar값들의 모임 = Ci * Vi의 차원 수 = n 집합 S의 벡터들이 선형종속인지, 독립인지는 S 안의 벡터들의 선형결합이 0이 될 때, Ci(상수)값들이 어떤지에 따라 알 수 있다. S의 벡터들이 선형 종속이라면, - Ci중에 모두 0이 아니거나 0이 아닌 수가 최소 1개 이상이다. Ci중에서 모두 0이 아니거나 0이 아닌 수가 최소 1개 이상있다면, - S의 벡터들은 선형 종속이다. Ci가 모두 0이라면 (또는) Span(S) = R^n 을 만족한다면, - S의 벡터들은 선형 독립이다. S의 벡터들이 선형 독립이라면, - Ci가 모두 0이다. - Span(S) = R^n 를 만족한다.

Span이란, 집합S의 벡터에 scalar값을 곱하고, 집합 내의 벡터끼리 서로 더해서 (=선형결합으로) 나올 수 있는 모든 경우의 수의 집합

- 위치벡터(Standard Position Vector) : [0,0]이 벡터의 시작되는 지점(꼬리)인 벡터 (R2 기준) - 단위 벡터(Unit Vector) i (hat^) = [1,0] : 수평방향으로 1 이동하는 것을 의미 j (hat^) = [0,1] : 수직방향으로 1 이동하는 것을 의미 - 벡터의 표기법 3가지 (3번째 이미지 참고) 1) 열 벡터 (Column Vector) 2) 튜플 (Tuple) 3) 단위 벡터 (Unit Vector) - 단위벡터 계산하는 법 (3번째 이미지 참고) ex. v = (-2, 2)일 때, 각 열에 각 값의 제곱을 더한 값에 루트를 씌운 값으로 나누고, 그 각 열을 더한 값이 단위벡터이다. - 집합(Set) & 직선의 매개변수 표현 (4번째 마지막 그림 참..

- 벡터는 크기와 방향을 나타내는 것 - 방향은 2차원 뿐만 아니라 3,4,5,6,,,,n차원이 될 수 있음 - 크기와 방향이 같다면 어느 지점에서 시작되는 벡터라도 같은 벡터임 - R 왼쪽에 막대기 하나 더 붙거나 진하게 표시된 R 기호는 Real Coordicate Space라는 뜻으로 어떤 수라도 표현할 수 있는 "실수 좌표 공간"임을 표기하는 기호이다. - Rⁿ 에서 n은 차원을 나타냄 - 벡터의 합은 동일한 차원의 실수 좌표 공간을 가진 벡터끼리 가능하며 - 같은 위치의 성분끼리 더해주면 된다. - 곱의 경우에는 각 성분에 scalar 수를 그대로 곱해주면 되는데, - 이때, 양수를 곱하면 같은 방향에 크기만 달라지고, - 음수를 곱하면 방향이 반대로 바뀌며, 크기도 달라질 수 있다.