For Engineering

역쇄법칙을 사용하여 미분계수 구하기.(연습) 밑바닥 153p 참고 class Function1: def forward(self, x): z = x - 2 return z def backward(self, dy_dz): self.dy_dx = 1 self.dy_dx *= dy_dz # chain rule return self.dy_dx class Function2: def forward(self, z): self.y = 2*(z**2) return self.y def backward(self): return self.y * 4 class FunctionUnion: def __init__(self): print(f'f(x) = 2*(x - 2)**2\n') self.f1 = Function1() self.f..

클래스 연습 겸 Logic Gate 만들기 class LogicGate: def __init__(self, w1, w2, b): self.w1 = w1 self.w2 = w2 self.b = b # __call__ : 함수를 지정하지 않고 호출가능. 그러므로 하나만 설정 가능 # self.함수(x1, x2) -> self(x1, x2) 로 사용하게 됨. def __call__(self, x1, x2): z = self.w1 * x1 + self.w2 * x2 +self.b if z > 0: return 1 else: return 0 class ANDGate: def __init__(self): self.gate = LogicGate(0.5, 0.5, -0.7) def __call__(self, x1, x..

Logic Gate : AND, OR, NAND, XOR, HALF_ADDER, FULL_ADDER 등등 구현 연습 def and_gate(x1, x2, bias): if (x2 + x1 - bias) > 1: return True else: return False def or_gate(x1, x2, bias): if (x2 + x1 - bias) > 0: return True else: return False def nand_gate(x1, x2, bias): return not and_gate(x1, x2, bias) def xor_gate(x1, x2, bias): _or = or_gate(x1, x2, bias) _nand = nand_gate(x1, x2, bias) return and_gate..

!pip install AutoViz !pip install xlrd import warnings warnings.filterwarnings('ignore') import pandas as pd from autoviz.AutoViz_Class import AutoViz_Class AV = AutoViz_Class() # 데이터 불러오기 file = "csv 파일" df = pd.read_pickle(file) df.head() # AutoViz 실행 save_viz_dir = 'eda_viz' # 폴더 이름. chart_format 형식으로 저장될 파일 위치. dftc = AV.AutoViz(filename='', sep=',' , depVar='Attrition_Flag', # 타겟 데이터 컬럼명 df..

맥북 리소스 모니터링 툴이 많지만 이걸 선택 했다. 선택 이유 : 무료, 메뉴 막대에서 리소스 확인, 커스텀, 자동시작(?)... 사용 예시 https://github.com/exelban/stats/releases 설치방법 : Stats.dmg 다운로드&설치

출처 : 인프런 선형대수 행렬식 := 행렬의 역행렬 존재를(=해의 존재) 판별하는 식 3.1 Introduction to Determinants Invertible : 행렬식이 0 이 아닌경우 역행렬이 존재한다. invertible matrix : echelon form의 모든 row에 pivot이 존재해야한다. echelon form의 각 pivot이 0이 아니면 invertible을 증명 할 수 있다. 요약 : cofactoer로 행렬식을 구하면 비효율적이다. 3.2 Properties of Determinants 작성중.

출처 : http://www.boostcourse.org/ai251 이해 못함. Diagonalization A = VDV-1 여기에 쓰인다. A^k = (VDV-1)(VDV-1)... = V D^k V-1

출처 : http://www.boostcourse.org/ai251 학습목표 : 이번 강의에서는 고유값 분해와 밀접한 관련을 가지는 대각화의 개념에 대해 배워보겠습니다. 이는 나중에 배울 특이값 분해(SVD: Singular Value Decomposition)와도 밀접한 관련이 있으니 숙지하고 넘어가시길 바랍니다. Diagonalization A in Rnxn(square matrix. 정사각행렬) D = V^-1 A V => VD = AV 위 조건을 만족하면 A는 대각화가 가능한 행렬이다. A is diagonal matrix. D = 대각선에만 값이 있는 매트릭스 V, V^-1이 존재하면 diagonal matrix 를 만들 수 있다. 이 과정을 통해 만들어진 D를 A의 Diagonalization..

ChatGPT가 설명하는 베이시스 정리와 그 용어 설명... Prior (사전 확률): Prior는 사건 또는 가설에 대한 믿음의 초기 분포를 나타냅니다. 사전 확률은 어떤 사건 또는 가설이 발생할 가능성을 이전 정보 또는 경험을 기반으로 나타내는 것입니다. Prior는 아직 어떤 새로운 관측 데이터를 고려하기 전에 알고 있던 것으로, 이전 지식이나 주관적 믿음을 반영합니다. Likelihood (우도): Likelihood는 주어진 가설 또는 사건 하에서 관측된 데이터가 발생할 확률을 나타냅니다. 이것은 데이터와 모델 또는 가설 사이의 관련성을 정량화합니다. Likelihood는 가설이 어떻게 데이터를 생성하는지에 대한 정보를 제공합니다. Posterior (사후 확률): Posterior는 주어진 관..

출처 : 인프런 선형대수학 2.1 Matrix Operations 고딩때 배운 행렬의 연산. commute : 뒤집혀도 같다. 2.2 Transpose of a Matrix (AB)T = BT * AT Inverse of a Matrix s^-1 Invertible Matrix A(n * n) = CA = I and AC = I nonsngular matrix : invertible singular matrix : not invertible 2차 매트릭스의 경우 ad-bc != 0 -> invertible det A = ad - bc unique solution을 가지는 경우 Ax = b -> x = bA^(-1) (A^-1)^-1 = A (AB)^-1 = B^-1 A^-1 (AT)^-1 = (A^-1)..