For Engineering

출처 : 패스트캠퍼스 GitOps docker image 이해와 구조 레이어 구조를 이해하면 된다. 도커 이미지를 다운 받으면 구조 이해하자. docker image history [이미지이름] docker image inspect [이미지이름] docker image push hub repositories 1. docker login 1-1. 패스워드 로그인 -> 패스워드가 파일로 저장되어 보안에 취약 1-2. 토큰 로그인 -> 도커 허브에서 토큰 발행 1-3. Two Factor Authentication -> 도커 허브에서 설정 가능 2. docker tag, docker hub 업로드 docker images tag myimage:v1.0 내계정/ myimage:v1.0 docker push 내계..

쉽지 않다... # KNN dataset np.random.seed(12) n_classes = 4 n_features = 2 n_data = 100 low = 0 high = 50 centroid = np.random.uniform(low, high, size=(n_features, n_classes)) K = 5 # class dataset class_data = np.hstack([class_idx * np.ones(n_data,) for class_idx in range(n_classes)]) class_data = class_data.reshape(-1, 1) # Target data tmp_data_scale = 2 target_data = np.vstack([np.random.normal(c..

하.... 차근차근 하는데 쉬울줄 알았다. 결국 오늘 못하고 내일 완성해야지. # KNN dataset # 4개의 class를 가지는 dataset 만들기 n_classes = 4 n_features = 2 n_data = 100 centroid = np.random.uniform(0, 50, size=(n_features, n_classes)) K = 5 # 4개의 클래스 데이터셋 class_data = np.hstack([class_idx * np.ones(100,) for class_idx in range(n_classes)]) class_data = class_data.reshape(-1, 1) # Target data tmp_data_scale = 2 dataset = np.vstack([np...

인프런 - 선형대수학 Linear equation 예시 : Ax = b A system of linear equations = 선형방정식의 시스템(선형시스템, 선형함수) Linear - 선형 equation - 방정식 solution set - 해의 집합 equivalent - 동치. 두 방정식이 동일한 solution set을 가는 경우. inconsistent - 해가 없다. 해가 무한이 많다.(기하학적으로 그래프가 겹치는 경우) consistent - 해가 있다. coefficient - x의 계수(=A) coefficient matrix - 계수로만 표현된 행렬 augmented matrix - (증강행렬)계수행렬에 b를 추가한 행렬(계산의 편의성 증가) scaling - 행에 크기를 곱하는 행위..

출처 : www.boostcourse.org/ai251 𝜆 : 람다. 고유값.Eigenvalues. 그럼 어떻게 Eigenvalues 를 찾아? det A (판별식)이 0일때 역행렬이 없다. 정사각행렬일때 역행렬이 있다 없다 판단을 하지 직사각행렬에서는 역행렬 유무를 언급하지 않는다. 정사각행렬에서 판별식이 존재(0이 아닐 때)와 선형 독립은 동치이다. (𝐴−𝜆𝐼) 𝐱=𝟎 det(𝐴−𝜆𝐼) = 0 (𝐴−𝜆𝐼) 𝐱=𝟎 𝐴𝐱= 𝜆𝐱 즉 𝐴와 𝜆만 다르므로 특성방정식은 Span 안에 있고 계수만 다를뿐이다.

출처 : www.boostcourse.org/ai251 𝐴𝐱 = 𝟎 null space : metrix A 를 0으로 만드는 x벡터 x는 subpace이다. 그럼 A의 엘레멘탈 x의 곱이 0이다.(캡처 참고) 그렇다면 기하학적으로 직교이다.(Orthogonal Complement (여집합)) 직교이므로 선형독립이다. Fundamental Subspaces Given by 𝐴

출처 : www.boostcourse.org/ai251 Eigenvectors and Eigenvalues 고유벡터와 고유값 Eigenvectors 행렬과 벡터의 곱. 계산 과정을 줄여준다. 공식 증명. 그리고 당연히 x는 0 벡터가 아닐 때 이다.

출처 : www.boostcourse.org/ai251 실습 파일 : https://www.boostcourse.org/downloadFile/fileDownload?attachmentId=1854435&autoClose=true 모르겠다... 다시 돌아올때 이해해 보자

import matplotlib.pyplot as plt from sklearn.datasets import load_iris import numpy as np # 데이터 불러오기 iris = load_iris() iris_X, iris_y = iris.data, iris.target feature_names = iris.feature_names species = iris.target_names # 그래프 설정 fig, axes = plt.subplots(2, 2, figsize=(10, 10)) for ax, feature_name in zip(axes.flat, feature_names): # 불리언 인덱싱(Boolean indexing) data = [iris_X[iris_y == species_i..

출처 : www.boostcourse.org/ai251 기하학적으로 보면 이해하기 그나마 수월하겠지만... 글과 수식으로 보면 이해하기 어렵다. 정사영(Orthogonal Projection) Orthogonal and Orthonormal Sets Orthogonal Sets : 모든 벡터의 관계가 수직이다. 당연히 선형 독립. Orthonormal Sets : Orthogonal Sets 의 모든 백터의 방향은 유지하고 크기만 1. Orthonormal Basis : 서로 수직인 기저벡터로만 구성된 sets 딥러닝에서 정사영의 의미 선형독립이지만 벡터끼리 유사도가 높은, 기하학적으로 평행에 가까운 벡터를 학습 시키는 것 보다, 벡터들을 정사영 형태로 변형하여 학습해야 서로에게 영향을 주지 않고 학습 ..