๋ชฉ๋ก์ ์ฒด ๊ธ (1005)
๐ ๊ณต๋ถํ๋ ์ง์ง์ํ์นด๋ ์ฒ์์ด์ง?

211125 ์์ฑ Least Square provides the approximiation of the solution for the over-determined system : arg ๊ณ์ ๋ฐ๊ฟ์ฃผ๋ ์ธ์ (ํ๋ผ๋ฏธํฐ ๋งค๊ฐ๋ณ์) : vector Ax ๋ column space Col A ์์ ์๋ค : Col A์์ b์ ๊ฐ์ฅ ๊ฐ๊น์ด ํฌ์ธํธ normal equation if C = A(T)A is invertible (=singular) : A ๊ฐ square matrix ์ด๋ฉด A, A(T)A, AA(T) ๋ชจ๋ invertible or singular Another Derivation of Normal Equation symmetric matrix ๊ฒฝ์ฐ - ํญ์ diagonoalizable ์ - eigen..

20211125 ์์ฑ Diagonalization eigen vactor matrix ์ eigen value matrix ๋ค์ ๊ณฑ์ ํํ๋ก ๋ํ๋ด๋ ๊ฒ S : eigen vactor๋ค์ column ์ผ๋ก ๊ฐ์ง๋ eigen vector matrix A : eigen vactr ๋ค์ diagonal entries ๋ก ๊ฐ์ง๋ eigen value diagonal matrix Orthogonal matrix matrix์ row vector (and column vector) ๋ค์ด ์๊ธฐ์์ ์ ์ ์ธํ ๋๋จธ์ง row vector (and column vector)๋ค๊ณผ orthogonal ์ธ matrix : orthogonal vector, orthogonal vector ๋ vector์ inner product..

211124 ์์ฑ openCV ( Open Source Computer Vision Library) : ์์ ์ฒ๋ฆฌ์ ์ปดํจํฐ ๋น์ ๊ด๋ จ ์คํ ์์ค ๋ผ์ด๋ธ๋ฌ๋ฆฌ : ์ผ๊ตด ๊ฒ์ถ, ์ธ์, ๊ฐ์ฒด ์ธ์ ๋ฑ ๋ค์ํ ์ต์ฒจ๋จ ์๊ณ ๋ฆฌ์ฆ + ์์์ฒ๋ฆฌ + ์ปดํจํฐ ๋น์ ๋ฐ ๊ธฐ๊ณ ํ์ต ๊ด๋ จ๋ ์๊ณ ๋ฆฌ์ฆด 2. openCV Download ( anaconda version ) โ ๊ฐ์ํ๊ฒฝ ๋ง๋ค๊ธฐ conda create -n ์ํ๋ ๊ฐ์ํ๊ฒฝ ์ด๋ฆ python=ํ์ด์ ๋ฒ์ โก ๊ฐ์ํ๊ฒฝ์ ๋ค์ด๊ฐ๊ธฐ conda activate ๋ง๋ ๊ฐ์ํ๊ฒฝ ์ด๋ฆ ๋๋ณด๊ธฐ ์ข ๋ฃ ์ => conda deactivate โข openCV ์ค์น conda install -c conda-forge opencv โฃ ๊ทธ ๋ฐ ํ์ํ ํจํค์ง ๋๋ณด๊ธฐ pip๋ python๋ง ํ์ ๋ ํจ..

211124 ์์ฑ ์์์ฒ๋ฆฌ๋? ์ ๋ ฅ ์์์ ์ฒ๋ฆฌํ์ฌ ์ถ๋ ฅ์ผ๋ก ์ฒ๋ฆฌ๋ ์์์ ์ป๋๋ค ์ด๋ค ๋ชฉ์ ์ ์ํด, ์ ๋ ฅ๋ ์์์ ์ํ์ ์ฐ์ฐ์ ํ์์ ๊ฐํด ๋ณํ๋ฅผ ์ฃผ๋ ๊ฒ ์ฆ, ์ปดํจํฐ ๋น์ ์ ๊ธฐ๋ณธ์ ์ธ ์์ ์ฒ๋ฆฌ๋ฅผ ๋ฐํ์ผ๋ก ์์์์ ํน์ ํ ์ ๋ณด๋ฅผ ์ถ์ถํ์ฌ ์ฒ๋ฆฌํ๋ ๊ธฐ์ ์ด๋ค 1. ์์์ ํ์ฑ ๊ณผ์ * ์์ : ์์น ๊ฐ๊ณผ ๋ฐ๊ธฐ ๊ฐ์ ๊ฐ์ง ์ผ์ ํ ์์ ํ์๋ค์ ๋ชจ์ ๋๋ณด๊ธฐ ํ์๋ ํ๋ฉด์ ๊ตฌ์ฑํ๋ ๊ฐ์ฅ ๊ธฐ๋ณธ์ด ๋๋ ๋จ์ * ๋์งํธ ์์ : ์์์ด ํ์ฑ๋๊ธฐ ์ํด, ๋น (์๋์ง) ์ด ๋ฌผ์ฒด์ ๋น์น๊ณ , ๋ฌผ์ฒด๋ ๋น์ ๋ฐ๋๋ค ๊ทธ ๋ฌผ์ฒด์ ๋น์น ๋น (์๋์ง) ์ ์ผ๋ถ๊ฐ ๋ฐ์ฌ๋์ด ์นด๋ฉ๋ผ ์ผ์์ ๋ค์ด๊ฐ ์์์ ํ์ฑํ๊ฒ ๋ง๋ ๋ค * ๋์งํธ ์์ ํ์ฑ 1) ํ๋ณธํ (sampling) : ๋์งํธ ์นด๋ฉ๋ผ์ ํ์ํ๊ธฐ ์ํด ์นด๋ฉ๋ผ ํด์๋์ ํด๋น๋๋ ์ ํ๊ฐ..

211103์์ฑ ๋จธ์ ๋ฌ๋์ด๋ ? ๋ฐ์ดํฐ์์๋ถํฐ ํ์ตํ๋๋ก ์ปดํจํฐ๋ฅผ ํ๋ก๊ทธ๋๋ฐํ๋ ๊ณผํ - ์ผ๋ฐ์ ์ธ ์ ์ ๋ช ์์ ์ธ ํ๋ก๊ทธ๋๋ฐ ์์ด ์ปดํจํฐ๊ฐ ํ์ตํ๋ ๋ฅ๋ ฅ์ ๊ฐ์ถ๊ฒ ํ๋ ์ฐ๊ตฌ๋ถ์ผ - ๊ณตํ์ ์ธ ์ ์ ์ด๋ค ์์ T(Task)์ ๋ํ ์ปดํจํฐ ํ๋ก๊ทธ๋จ์ ์ฑ๋ฅ์ P( ์ ํ๋, Performance) ๋ก ์ธก์ ํ์ ๋ ๊ฒฝํ E(ํ๋ จ๋ฐ์ดํฐ, train data) ๋ก ์ธํด ์ฑ๋ฅ์ด ํฅ์๋๋ค๋ฉด, ์ด ์ปดํจํฐ ํ๋ก๊ทธ๋จ์ ์์ T์ ์ฑ๋ฅ์ธก์ P์ ๋ํด ๊ฒฝํ E๋ก ํ์ตํ ๊ฒ ๋จธ์ ๋ฌ๋์ ์ ์ฌ์ฉํ๋๊ฐ ? ๋๋ฌด ๋ณต์กํ๊ฑฐ๋ ๋ง์ ์์ ๋ฐ์ดํฐ๋ค์ ๋ถ์ํ์ฌ ๋ณด์ด์ง ์์ ํจํด์ ๋ฐ๊ฒฌํ๊ณ , ๋น ๋ฅด๊ฒ ์ ์ง๋ณด์ ๋ฐ ์ ํ๋๊ฐ ๋์์ง ๋จธ์ ๋ฌ๋ ์์คํ ์ ์ข ๋ฅ ์ง๋์ ์ ๋ฌด & ์ผ๋ฐํ ๋ฅ๋ ฅ์ ์ํด ๋๋ ์ง 1_1 ์ง๋์ ์ ๋ฌด : ํ์ตํ๋ ๋์์ ๊ฐ๋ ํํ๋ ์ ๋ณด..