분류 전체보기 (67) 썸네일형 리스트형 [선형대수] LU분할 가우스 소거법 가우스 소거법 과정을 통해 행렬을 LU로 분해할 수 있는데, 분해하는 과정을 다루도록 하겠다. 이전에 게시했던 수식을 예로 들어 설명하겠다. 우선, 위의 식을 가우스 소거법을 적용하면 아래와 같다.(자세한 방법은 이전 게시글에..) $E_21$은 1번식을 이용해 2 번식을 바꾸는 행렬로 이해하면 된다. 즉, $E_21$행렬로 (2,1) 요소를 0으로 만든다. $E_{32}E_{31}E{21}A=U$ 즉, A 행렬에 2행을 변화시키고, 3행을 변화시키면 U행렬이 나오게 된다. A를 알고 싶다면 역행렬을 곱하면 된다. L Matrix 그렇다면 E역행렬을 모두 곱한 행렬은 어떤 모양일까? $E_{21}$행렬의 $l_{21}$의 요소에 부호만 반대로 바꿔주면 된다. 그 이유는 $y=x+3$. 즉,.. [선형대수] 1차 연립방정식과 가우스소거법 Singular Case 연립방정식에서 특수한 경우를 Singular Case라고 한다. - 해가 존재하지 않음 - 해가 무수히 많음 예를 들어 3개의 벡터가 있는 한 평면이 있다. a는 평면 위에 존재하지 않는 점이기 때문에, 3개의 벡터로 표현할 수 없다. 때문에 a는 해가 존재하지 않는다. 반면, b벡터는 평면위에 존재하기 때문에, 2개의 벡터만 있어도 b벡터를 나타낼 수 있는데, 3개가 존재함으로 나타낼 수 있는 방법은 무한하다. 따라서 b는 해가 무수히 많다. 내적 벡터의 내적은 일종의 projection(투영)으로 볼 수 있다. 즉, A벡터를 B벡터에 투영하는 것(그림자 길이를 구함)으로 볼 수 있다. 이를 벡터에서 함수로 확장시켜보자. $f_1(t)= (f_{1}(t_1),....,f_n(t.. [선형대수] 선형성 정의 및 1차 연립방정식의 의미 이상화 교수님의 선형대수 강의를 기반으로 만든 게시글입니다. 출처: http://www.kocw.net/home/search/kemView.do?kemId=977757 https://www.slideshare.net/ahra-cho/01-1-108458741 https://ratsgo.github.io/linear%20algebra/2017/03/23/linearity/ Linearity(선형성) Linearity의 조건 1. superposition(중첩의 원리): $f(x_1+x_2)= f(x_1) + f(x_{2})$ 2. homogeneity(동질성): $f(ax)= af(x)$ 위의 조건을 합치면 아래와 같다. $f(a_{1}x_{1} + a_{2}x_{2})= a_{1}f(x_1)+ a_{2}.. [Ensemble] 개요(Bagging, Boosting, Stacking) 아래의 포스팅은 팀블로그인 '데이터 맛집'에서 참고한 내용입니다. 팀블로그-앙상블 기법정리 [앙상블 기법 정리] 1. 앙상블(Ensemble) 기법과 배깅(Bagging), 부스팅(Boosting), 스태킹(Stacking) 안녕하세요, 허브솔트에요. 저희 데이터맛집의 허브솔트 첫 글 주제로 앙상블이 당첨됐네요...! 요새 캐글의 상위권 메달을 휩쓸고 있는 대세 알고리즘이 앙상블 기법을 사용한 알고리즘의 한 종류인 XGBoost라죠?.. data-matzip.tistory.com 앙상블은 여러 모델, 알고리즘을 결합하여 학습시키는 것으로 overfitting, underfitting을 예방하고 예측력을 보완시키는 등의 single로 사용할 경우 나타내는 단점들을 보완한다. Bagging Bagging은 .. [CB Filtering] 1. 개요 Content based Filtering은 팀블로그에서 참고했다. Content based Filtering [CB Filtering] 1. 개요 Content-based Filtering vs Collaborative Filtering Content-based Filtering - 유저가 과거에 좋아했던 것과 컨텐츠가 유사한 아이템 추천 Collaborative Filtering - Rating을 기반으로 유저와 비슷한 성향을.. data-matzip.tistory.com Content based는 CF와 다르게, user의 rating을 기반으로 추천하는 것이 아닌, content 기반으로 추천하는 것이다. 예를 들어, 영화의 카테고리, 속도감, 화면이 전환되는 속도 등.. 영화의 특성을 묶어 추천.. Collaborative Filtering(CF: 협업필터링)2: 계산 Collaborative Filterting1: 개요 Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대한 직접적인 유도를 하는 내용이다. 관련한 모델 또한 추가로 정리했다. Collaborati.. ekdud7667.tistory.com CF의 특징 개념에 대한 설명의 위의 링크에 게시했으니 참조하길 바랍니다. 그럼 이제 item based와 user based를 사용할 때 어떻게 rating을 계산하는지에 대해 알아보자. 구현 절차 CF를 만들기 위해서는 여러 가지 절차를 거쳐야 한다. 1. rating matrix 정리: item based(it.. Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대한 직접적인 유도를 하는 내용이다. 관련한 모델 또한 추가로 정리했다. https://ekdud7667.tistory.com/10 Collaborative Filtering(CF: 협업필터링)2: 계산 Collaborative Filterting1: 개요 Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대.. ekdud7667.tistory.com Matrix Factorization(MF, 행렬분해) [CF] MF(M.. [MF] MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 논문: MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 위의 논문을 공부한 후, 코딩으로 구현하였다. 논문 MF는 implicit feedback, temporal effects, confidence levels을 추가적으로 적용시켜 classic nearest-neighbor 알고리즘보다 더욱 우수하다. 각각에 대해서 어떻게 적용시켰는지 살펴보자 RECOMMENDER SYSTEM STRATEGIES 추천 시스템에 대한 대략적인 내용이 들어가 있다. 1. Content Filtering 이 방법은 각 user 또는 item의 특성으로 profile을 만든다. 예를 들어, 영화의 장르, 배우등으로 profile을 만들어서 비슷한 특성을 가지는 item끼리.. 이전 1 ··· 5 6 7 8 9 다음
