λͺ©λ‘μ 체 κΈ (1005)
π 곡λΆνλ μ§μ§μνμΉ΄λ μ²μμ΄μ§?
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/dCay6q/btrmaN6dMbE/qgmJ9LlxVnW6Y1jLpPonc0/img.png)
211125 μμ± Least Square provides the approximiation of the solution for the over-determined system : arg κ³μ λ°κΏμ£Όλ μΈμ (νλΌλ―Έν° 맀κ°λ³μ) : vector Ax λ column space Col A μμ μλ€ : Col Aμμ bμ κ°μ₯ κ°κΉμ΄ ν¬μΈνΈ normal equation if C = A(T)A is invertible (=singular) : A κ° square matrix μ΄λ©΄ A, A(T)A, AA(T) λͺ¨λ invertible or singular Another Derivation of Normal Equation symmetric matrix κ²½μ° - νμ diagonoalizable μ - eigen..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/bKZKLE/btrmaOKz1nx/YzBXakh94hnlZEgJ51S3gk/img.png)
20211125 μμ± Diagonalization eigen vactor matrix μ eigen value matrix λ€μ κ³±μ ννλ‘ λνλ΄λ κ² S : eigen vactorλ€μ column μΌλ‘ κ°μ§λ eigen vector matrix A : eigen vactr λ€μ diagonal entries λ‘ κ°μ§λ eigen value diagonal matrix Orthogonal matrix matrixμ row vector (and column vector) λ€μ΄ μκΈ°μμ μ μ μΈν λλ¨Έμ§ row vector (and column vector)λ€κ³Ό orthogonal μΈ matrix : orthogonal vector, orthogonal vector λ vectorμ inner product..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/efNhd8/btrlYN0Cs9s/hhfskkKd7x8FxX21zACvN1/img.png)
211124 μμ± openCV ( Open Source Computer Vision Library) : μμ μ²λ¦¬μ μ»΄ν¨ν° λΉμ κ΄λ ¨ μ€ν μμ€ λΌμ΄λΈλ¬λ¦¬ : μΌκ΅΄ κ²μΆ, μΈμ, κ°μ²΄ μΈμ λ± λ€μν μ΅μ²¨λ¨ μκ³ λ¦¬μ¦ + μμμ²λ¦¬ + μ»΄ν¨ν° λΉμ λ° κΈ°κ³ νμ΅ κ΄λ ¨λ μκ³ λ¦¬μ¦΄ 2. openCV Download ( anaconda version ) β κ°μνκ²½ λ§λ€κΈ° conda create -n μνλ κ°μνκ²½ μ΄λ¦ python=νμ΄μ λ²μ β‘ κ°μνκ²½μ λ€μ΄κ°κΈ° conda activate λ§λ κ°μνκ²½ μ΄λ¦ λ보기 μ’ λ£ μ => conda deactivate β’ openCV μ€μΉ conda install -c conda-forge opencv β£ κ·Έ λ° νμν ν¨ν€μ§ λ보기 pipλ pythonλ§ νμ λ ν¨..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/rl84H/btrlXEbQeZI/Vdk9a9Funzj9nLATkNKbs0/img.png)
211124 μμ± μμμ²λ¦¬λ? μ λ ₯ μμμ μ²λ¦¬νμ¬ μΆλ ₯μΌλ‘ μ²λ¦¬λ μμμ μ»λλ€ μ΄λ€ λͺ©μ μ μν΄, μ λ ₯λ μμμ μνμ μ°μ°μ νμμ κ°ν΄ λ³νλ₯Ό μ£Όλ κ² μ¦, μ»΄ν¨ν° λΉμ μ κΈ°λ³Έμ μΈ μμ μ²λ¦¬λ₯Ό λ°νμΌλ‘ μμμμ νΉμ ν μ 보λ₯Ό μΆμΆνμ¬ μ²λ¦¬νλ κΈ°μ μ΄λ€ 1. μμμ νμ± κ³Όμ * μμ : μμΉ κ°κ³Ό λ°κΈ° κ°μ κ°μ§ μΌμ ν μμ νμλ€μ λͺ¨μ λ보기 νμλ νλ©΄μ ꡬμ±νλ κ°μ₯ κΈ°λ³Έμ΄ λλ λ¨μ * λμ§νΈ μμ : μμμ΄ νμ±λκΈ° μν΄, λΉ (μλμ§) μ΄ λ¬Όμ²΄μ λΉμΉκ³ , 물체λ λΉμ λ°λλ€ κ·Έ 물체μ λΉμΉ λΉ (μλμ§) μ μΌλΆκ° λ°μ¬λμ΄ μΉ΄λ©λΌ μΌμμ λ€μ΄κ° μμμ νμ±νκ² λ§λ λ€ * λμ§νΈ μμ νμ± 1) νλ³Έν (sampling) : λμ§νΈ μΉ΄λ©λΌμ νμνκΈ° μν΄ μΉ΄λ©λΌ ν΄μλμ ν΄λΉλλ μ νκ°..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/dIjb04/btrjQfRuEPc/K8GKgSDNJaTHjW44yk2GC0/img.png)
211103μμ± λ¨Έμ λ¬λμ΄λ ? λ°μ΄ν°μμλΆν° νμ΅νλλ‘ μ»΄ν¨ν°λ₯Ό νλ‘κ·Έλλ°νλ κ³Όν - μΌλ°μ μΈ μ μ λͺ μμ μΈ νλ‘κ·Έλλ° μμ΄ μ»΄ν¨ν°κ° νμ΅νλ λ₯λ ₯μ κ°μΆκ² νλ μ°κ΅¬λΆμΌ - 곡νμ μΈ μ μ μ΄λ€ μμ T(Task)μ λν μ»΄ν¨ν° νλ‘κ·Έλ¨μ μ±λ₯μ P( μ νλ, Performance) λ‘ μΈ‘μ νμ λ κ²½ν E(νλ ¨λ°μ΄ν°, train data) λ‘ μΈν΄ μ±λ₯μ΄ ν₯μλλ€λ©΄, μ΄ μ»΄ν¨ν° νλ‘κ·Έλ¨μ μμ Tμ μ±λ₯μΈ‘μ Pμ λν΄ κ²½ν Eλ‘ νμ΅ν κ² λ¨Έμ λ¬λμ μ μ¬μ©νλκ° ? λ무 볡μ‘νκ±°λ λ§μ μμ λ°μ΄ν°λ€μ λΆμνμ¬ λ³΄μ΄μ§ μμ ν¨ν΄μ λ°κ²¬νκ³ , λΉ λ₯΄κ² μ μ§λ³΄μ λ° μ νλκ° λμμ§ λ¨Έμ λ¬λ μμ€ν μ μ’ λ₯ μ§λμ μ 무 & μΌλ°ν λ₯λ ₯μ μν΄ λλ μ§ 1_1 μ§λμ μ 무 : νμ΅νλ λμμ κ°λ ννλ μ 보..