AI와 데이터의 모든 것

벡터의 내적 - 각 벡터의 동일 항을 곱해서 모두 더해준 값 벡터의 길이 - 벡터 내 성분들의 제곱값을 모두 더한 후, 루트를 씌워준(제곱근) 값 벡터의 길이는 같은 벡터끼리의 내적에 제곱한 값이다. 벡터의 내적의 성질 3가지 - 교환법칙 (Commutative Property) : 내적 곱의 순서가 상관없는 특징 - 분배법칙 (Distributive Property) : 값을 각각 곱하고 더할 수 있는 특징 - 결합법칙 (Associative Property) : 앞쪽의 연산을 먼저하든 뒷쪽의 연산을 먼저하든 상관없는 특징

https://youtu.be/oyzIT1g1Z3U * 간단한 모델은 파라미터 수가 낮고, 복잡한 모델은 파라미터 수가 많다. * 예측값에 대한 MSE는 예측값에 대한 분산(Variance)과 편차(Bias)의 합이다. - 편향과 분산은 모델을 평가할 때 아주 중요한 요소이다. # 편차/편향(Bias) : [실제값]과 [예측값(들의 평균값)]의 차이 # 분산(Variance) : 예측값들간의 차이 ([예측값1]과 또 다른 [예측값2,,,,n]의 차이들) # Trade-off : 분산과 편향이 모두 낮은 지점 - 이 순간의 파라미터값을 찾는 것이 머신러닝의 목표 * 오버피팅 (Overfitting) - 데이터수는 부족하고 모델은 복잡할 때에 발생할 수 있는 과적합 현상 - 여러 예측값들 사이의 차이 = 분..