일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 | 31 |
- secant
- 로지스틱 회귀
- 선형분류
- 1차예선
- 5397번
- 자바ORM표준JPA프로그래밍
- bisection
- 2018
- chapter01
- Perceptron Convergence theorem
- vector미분
- chapter02
- 인공지능
- falsePosition
- Numerical optimization
- 선형판별분석
- SCPC
- Fisher discriminant analysis
- 스터디
- 델타 rule
- graphical models
- 근구하기
- 알고리즘
- 알고리즘대회
- directed graphical model
- 이것이 MySQL이다
- undirected graphical model
- 개발순서
- MySQL
- CH01
- Today
- Total
목록학교수업정리 (12)
computer_study
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/byahBK/btqJ1LrDtK8/QdG3ASCldE8L5d8YN9XMf1/img.png)
Linear classifier(선형 분류) 정의 주어진 속성의 선형결합을 바탕으로 분류를 수행한다. (직선으로 데이터를 두 그릅으로 분류한다.) 주어진 data D = {xi, yi} 이고 xi는 d차원vector, y ∈ {1,2} 일 때, (y는 class를 의미한다.) wTx - b ≥ 0 이면 y(x) = 1 , wTx-b
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/dTwNz6/btqI4eVB05Q/4NYHsmpFtuHbWhaywkDACk/img.png)
인공지능에서 사용하는 용어에 대한 의미를 정리한다. 함수를 벡터에 대해 혹은 행렬에 대해 미분하는 방법 scalar함수를 vector로 미분 함수 f를 아래 그림과 같이 d차원 벡터를 input으로 받아 d차원 벡터를 output하는 함수 라고 하고 이러한 f를 x에 대해 미분한다면 scalar를 vector로 미분 한 것이기 때문에 각 x값마다 미분값이 생긴다. 함수를 행렬로 미분 matrix를 입력값으로 받아 scalar값을 output 하는 함수 f: A -> y라 할 때, 이러한 f를 A로 미분하면 matrix가 나오며, 위 과정과 같은 과정을 거쳐 다음과 같은 값이 나온다. 기본적인 미분 식 정리 기본적인 미분 식 증명 1번 식 증명 4번식 증명 trace(대각 합) 기호 : tr(A) 정의 :..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/6TugU/btqH3DbdrpZ/2621QOpTyRkCd2AgFbaiV0/img.png)
문제 내용 해결 과정 해당 방정식은 4차 방정식이기에, 몇가지 수를 넣어보고 대략적으로 다음과 같은 그림을 얻을 수 있었다. 이후 Bisection과 Newton-Raphson방식을 사용하여 문제를 해결하였다. bisection 그래프의 모양을 참고하여, 넉넉히 ( -4 ~ 9 ) 구간을 1씩 나누어 진행하였다. Epsilon은 0.001로 stop condition을 잡아 오차범위를 설정하였다 . Interval 양 끝 각각의, 함수 값의 곱이 음수일 때, bisection을 이용하여 interval을 줄여주었다. 결과는 두개의 값 (-1.04395, 3.12402)이 나왔다. 1. 주어진 함수 구현 double f(double x){ return 5*pow(x,4) -22.4*pow(x,3) +15...
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/cCj9E4/btqHMwj7XYo/8f8b0nkm5S2ep178Tvnjv0/img.png)
방정식에서 근을 찾기위해 (estimate)하기위한 방법을 배운다. estimation 시에 에러를 표기하는 방법 1. Accuracy : 정확함, 오차 평균 2. Precision : 정교함, 오차 편차 에러의 종류 1. True error : ( 실제 값 ) - ( 추측 값 ) 2. Absolute error : true error의 절대값 3. True fractional relative error : ( true error ) / ( 실제 값 ) 측정하려는 값의 범위에 맞게 error를 보정해준다. ( normalizing ) ex) tree error가 1일 때, 실제 값이 10이냐, 100이냐에 따라 1의 의미가 다르다. (0.1% 에러 혹은 0.01%에러) 4. Relative error :..