본 게시물은 네이버 부스트코스 주재걸 교수님의 '인공지능을 위한 선형대수' 강의를 듣고 요약하였습니다. Linear Transformation : Transformation, Mapping, Function ... 등으로 표현할 수 있음.Domain (정의역) : x의 모든 값Co-domain (공역) : y의 모든 값 (output의 집합)Range (치역) : 정의역에 대응하는 함수 값Image (함수의 상) : output 정의 : T(mapping / function)이 linear 하다고 할 때, 모든 u,v 에 대해서 T(cu+dv)=cT(u)+dT(v) 를 만족하면 선형 변환이라고 한다. (= 덧셈 성질과 스칼라 곱에 대한 성질을 만족해야 함) 즉, vector를 뽑아..
본 게시물은 네이버 부스트코스 주재걸 교수님의 '인공지능을 위한 선형대수' 강의를 듣고 요약하였습니다. Basis & Dimension (기저와 차원) Subspace 의 Basis는 다음과 같은 조건을 만족한다.Fully spans the given subsapce H : subspace H로부터 Fully span 된 상태Linearly independent (no redundancy) : 중복을 허용하지 않음. Change of Basis: Subspace도 같고, 주어진 점도 같은데 이를 표현하는 기저벡터가 달라졌을 때 Standard Basis Vector : standard basis vector는 다음과 같은 조건을 만족함 Dimension of Subspace (Subspace ..
본 게시물은 네이버 부스트코스 주재걸 교수님의 '인공지능을 위한 선형대수' 강의를 듣고 요약하였습니다. Linear Combination (선형 결합)Matrix equation 을 Vector equation으로 만들기 다음과 같이 행렬방정식을 벡터 방정식으로 변환할 수 있음 SpanThe set of all linear combinations of v1, v2, .... vp선형 결합을 통해 만들 수 있는 벡터 집합을 말한다. 다음과 같은 벡터들이 존재할 때, 벡터의 선형 결합으로 만들어 낼 수 있는 모든 벡터의 존재의 집합을 Span 이라고 한다. Q. Vector equation으로 봤을 때, Ax=b 의 연립 방정식 해가 존재할 것인가?Ax=b의 값이 재료벡터 x1, x2, ..
본 게시물은 네이버 부스트코스 주재걸 교수님의 '인공지능을 위한 선형대수' 강의를 듣고 요약하였습니다. 선형 대수 기초Matrix의 종류Square Matrix Rectangular MatrixTranspose Matrix(AB)를 Transpose 하게 되면 B^T, A^T로 순서가 변경됨(i, j) component A(i,j)** Vector 도 Matrix의 한 종류로서 생각할 수 있음! ** Linear Equation & Linear System연립방정식을 선형대수를 이용해 직관적으로 풀이할 수 있음. 이렇게 Ax=b 꼴로 나타낼 수 있는데, 이는 뒤에서 선형 결합 문제 풀이에서 응용할 수 있음. 항등 행렬과 역행렬 항등행렬 : Diagonal Entry 가 모두 1이고 ..
내 블로그 - 관리자 홈 전환 |
Q
Q
|
---|---|
새 글 쓰기 |
W
W
|
글 수정 (권한 있는 경우) |
E
E
|
---|---|
댓글 영역으로 이동 |
C
C
|
이 페이지의 URL 복사 |
S
S
|
---|---|
맨 위로 이동 |
T
T
|
티스토리 홈 이동 |
H
H
|
단축키 안내 |
Shift + /
⇧ + /
|
* 단축키는 한글/영문 대소문자로 이용 가능하며, 티스토리 기본 도메인에서만 동작합니다.