| 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 |
Tags
- IT
- 머신러닝
- OS
- Semantic segmentation
- 자료구조
- TFDV
- 논문 리뷰
- reinforcement learning
- 텐서플로우 익스텐디드
- CVPR
- 강화학습
- mdp
- 그래프데이터
- recsys
- MLOps
- 데이터 전처리
- agent
- data structure
- 개발배경지식
- 글또9기
- 운영체제
- Stack
- 그래프씽킹
- RL
- TFX
- ML 파이프라인
- 선형대수학
- 딥러닝
- 데이터 검증
- 윤성우의 열혈 자료구조
Archives
- Today
- Total
목록SVD (1)
성장通
고윳값 분해, 특이값 분해(SVD)
고윳값 분해, 특이값 분해 고윳값 분해와 특이값 분해는 두 가지 강력한 행렬 분해 방법으로, 행렬의 분해 및 재구성을 통해 데이터를 더 잘 이해하고 머신러닝 및 딥러닝 모델의 성능을 향상시킬 수 있는 도구 중 하나이다. 특히 특이값 분해는 데이터 차원의 축소 및 압축, 잠재 요인 모델링, 노이즈 제거, 특징 추출 등에 사용할 수 있는 방법이므로 잘 알아두는 것이 좋다. 고윳값 분해 정방 행렬 $A$의 고유벡터로 이루어진 행렬 $V$와 각 고윳값을 대각성분으로 갖는 행렬 $\Lambda$에 대해 다음과 같은 식이 성립한다. $$ AV = V\Lambda $$ 이때 만약 모든 고유벡터들이 선형 독립이라면 그 행렬의 고유벡터들이 벡터 공간의 기저를 형성한다는 것을 의미하며, 이러한 행렬의 고유벡터들을 열벡터로..
ML&DL/머신러닝을 위한 수학
2024. 3. 21. 17:26