Daniel's blog

Machine Learning의 기초적이고 이론적인 부분을 위해선 Scalar, Vector, Matrix에 대한 기본적인 이해가 필요하다. 1. Scalar : 방향을 갖지 않는 크기, 즉 값만을 가진다. Matrix의 Dimension(차원)으로 나타내면 1 x 1으로 생각할 수 있다. 2. Vector : 크기에 방향까지 가진 개념을 뜻한다. 좌표평면에서 (1, 2)의 경우 원점을 기준으로 x 축 기준 오른쪽(양)으로 1만큼, y 축 기준 위(양)으로 2만큼의 크기를 갖고 이 경우 1 x 2의 Dimension을 갖는 Matrix로 생각할 수 있다. 3. Matrix : 행렬을 우리가 일반적으로 알고있는 2 x 2 혹은 3 x 3 등과 같이 나타내는 그 행렬을 말한다. : Scalar와 Vector..

1. Wikipedia : In mathematics, a closed-form expression is a mathematical expression that uses a finite number of standard operations. It may contain constants, variables, certain well-known operations (e.g., + − × ÷), and functions (e.g., nth root, exponent, logarithm, trigonometric functions, and inverse hyperbolic functions), but usually no limit, differentiation, or integration. The set of o..

머신 러닝 강의 초반부의 행렬 관련 문제들을 접하면서 자주 등장하는 Eigenvalue(고유값), Eigenvector(고유벡터)에 대해 알아보자. 선형대수학(Linear Algebra)에서 행렬 A를 선형 변환(Linear Transformation)에 대한 결과가 자기 자신의 상수배가 되는 0이 아닌 벡터를 Eigenvector(고유벡터)라 하고 이 상수배 값을 Eigenvalue(고유값)이라고 한다. n x n의 정방 행렬(Square Matrix) A에 대해 Av = λv를 만족하는 0이 아닌 열 벡터(Row vector) v를 Eigenvector라 하고, 상수 λ를 Eigenvalue라 한다. (Eigenvector와 Eigenvalue는 Square Matrix에서만 정의되고, λ 기호는 L..