0%

PCA(Principal Component Analysis)

  • 주성분 분석
  • 차원축소와 투영 == 특이분해의 로우-랭크 근사문제
  • 근사 성능을 높이기 위해 원점을 지나는 조건을 삭제
  • 쓸모있는 정보를 유지하며 더 작은차원의 벡터들로 선형변환하고자 하는것.
  • 변환후 차원을 맞추기 위해 다시 역변환, 그리고 원래 벡터와 변환후 벡터 비교

linear-algebra

  • 고유값 분해
  • 특이값 분해
    • 사진 손실 압축 방식에 활용
  • PCA 분석
    • 데이터가 움직이는 경향을 찾는다
    • 보스턴 집값 분석 : 데이터 별로 크기가 상이하기 떄문에, sclae맞춰주고 PCA분석
    • 올리베티 얼굴 : 주성분에 따라, 사진이 다르게 변화함
    • 주식가격의 PCA

두 정수 a, b가 주어졌을 때 a와 b 사이에 속한 모든 정수의 합을 리턴하는 함수, solution을 완성하세요.

  • 예를 들어 a = 3, b = 5인 경우, 3 + 4 + 5 = 12이므로 12를 리턴합니다.

  • 제한 조건

    • a와 b가 같은 경우는 둘 중 아무 수나 리턴하세요.
    • a와 b는 -10,000,000 이상 10,000,000 이하인 정수입니다.
    • a와 b의 대소관계는 정해져있지 않습니다.

해답

1
2
3
4
5
def solution(a, b):
if a > b:
a,b = b,a
# a가 b보다 큰경우 두 값을 바꿔줬습니다.
return sum(list(range(a,b+1)))

Essence of linear algebra by 3blue1brown / Part.2

  • 크래머 공식 : 왜 전체 행렬의 행렬식 / 특정 행렬의 행렬식이 성립되는지.
  • 선형대수학의 범용성 : 선형대수학의 실수배와 합의 "8가지 공리"만 만족하면 어떤 형테는 벡터로 취급할수 있다.
  • 좌표 변환 : 기저벡터와 좌표와의 관계
  • 선형종속, 선형독립
  • 랭크
  • 고유값 분해
    • 고유값, 고유벡터
    • 특성방정식
    • 고유값의 개수와 행렬식, 대각식의 연관
    • 대각화
    • 분산 행렬
  • 특이값 분해
    • 특이값 분해 행렬의 크기
    • 특이값 분해의 축소형
  • 1차원 근사
  • 벡터w와 점ai들 과의 거리 구하는 방법
  • k차원 근사
    • 1차원 근사에서 확장한 개념

Essence of linear algebra by 3blue1brown

  • Vector
  • Span
  • Basis vector
  • Matric multipication as composition
  • Three-dimensional linear transformations
  • Determinant
  • Column space and null space
  • Dot products
  • Cross products
  • Eigenvectors and Eigenvalues