전체 글 썸네일형 리스트형 SVD에 관하여 공부를 하던 중 SVD 즉, Singular Value Decomposition에 대해서 헷갈리는 부분이 많아 정리하고자 한다. ✅ SVD란? SVD: 아무 행렬이든 분해해서 구조를 분석할 수 있는 방법. 즉, 복잡한 행렬을 세 개의 간단한 행렬로 나누는 것. 임의의 실수 행렬 $A \in \mathbb{R}^{m \times n}$에 대해, 다음과 같이 분해할 수 있다: $$A = U \Sigma V^T$$ 여기서, - $U \in \mathbb{R}^{m \times m}$: 열 직교 행렬 (column-orthogonal), 즉 $U^T U = I$- $\sum \in \mathbb{R}^{m \times n}$: 대각 행렬, 대각 원소는 singular values (특이값)이라 불린다.- $.. 더보기 [EECS 498-007/598-005] Lecture 1. Introduction (Deep Learning for Computer Vision) 이 포스팅은 University of Michigan - Justin Johnson 교수님의 [EECS 498-007/598-005] Deep Learning for Computer Vision을 기반으로 합니다. 🚀 컴퓨터 비젼을 위한 딥러닝 Introduction 이 수업에서 다루는 컴퓨터 비젼을 위한 딥러닝은 전체 AI, ML 중에서 다음과 같은 범위를 다룬다고 보면 된다. 🚀 컴퓨터 비젼 및 딥러닝의 발전 역사 ✅ 신경망의 기원 (고양이 시신경 실험) - Hubel and Wiesel, 1959 고양이 시신경 실험을 통해서 하나의 물체를 볼 때, simple cell이 자국되어 다음 cell로 전달되고, 다음 cell이 또 다음 cell로 전달되며 받은 많은 복잡한 정보들을 .. 더보기 관측값 해석론 & 측량학 - 2-3. Coordinate Systems, Transformation (좌표계, 변환) 📘 Part 5. Vectors and Coordinate Systems✅ 좌표계와 벡터 벡터는 본질적으로 방향과 크기를 가진 수학적 개념이지만,우리가 실제로 수치를 다루기 위해선 좌표계에서 표현해야 한다. 즉, 벡터 자체는 좌표계와 무관하지만,벡터를 구성하는 수치는 좌표계에 따라 달라진다. ✅ 벡터 표현: 기저 벡터와 좌표 벡터 $v$를 기저 $B$에 대해 표현하면: $$v = Bc$$ $v$: 실제 벡터 (기하학적 실체)$B$: 기저 벡터 행렬 (기준 좌표계)$c$: 좌표 벡터 (벡터 $v$가 $B$에 대해 어떻게 구성되는지 나타냄) ✅ 좌표계 변환 기저 벡터 행렬 $B$가 주어졌을 때, 좌표계에서 벡터의 표현을 얻는 방법: $$c = B^{-1} v$$ → 좌표계가 바뀌면 표현이 바뀐다. 하지.. 더보기 관측값 해석론 & 측량학 - 2-2. Matrix, Quadratic Forms, Eigenvalue (행렬, 이차형식, 고유값에 관하여) 📘 Part 3. Matrices – 행렬의 기초 ✅ 행렬의 정의 $$A =\begin{bmatrix}a_{11} & a_{12} & \cdots & a_{1m} \\a_{21} & a_{22} & \cdots & a_{2m} \\\vdots & \vdots & \ddots & \vdots \\a_{n1} & a_{n2} & \cdots & a_{nm}\end{bmatrix}$$$n \times m$ 크기의 행렬전치: $A^T$항등행렬 $I$: 대각선이 1, 나머지 0대칭행렬: $A^T = A$ ✅ 행렬 연산의 성질 전치 연산의 성질: $(AB)^T = B^T A^T$곱셈 결합법칙: $A(BC) = (AB)C$교환법칙 일반적으로 불성립: $AB \ne BA$ ✅ 역행렬 정방행렬 $A$에 대해 $A.. 더보기 관측값 해석론 & 측량학 - 2-1. Vector and Matrix (벡터와 행렬에 관하여) 📘 Part 1. 왜 벡터와 행렬이 필요한가? 우리는 측량, 공간데이터, 머신러닝 등 수많은 분야에서 선형 방정식 형태로 문제를 표현한다: $$Ax = b$$ 예시:$$A =\begin{bmatrix}1 & 1 & 1 \\2 & 3 & 0 \\1 & 2 & 1\end{bmatrix}, \quadb =\begin{bmatrix}2 \\5 \\-1\end{bmatrix}, \quadx =\begin{bmatrix}x_1 \\x_2 \\x_3\end{bmatrix}$$ 지금같이 행렬 $A$가 정방(즉, 행과 열의 수가 같고, 역행렬이 존재)이면 다음처럼 해를 구할 수 있다: $$x = A^{-1} b$$ 하지만 항상 그렇지는 않다.미지수의 개수에 비해서 방정식이 훨씬 많은 경우, 즉 overdeterm.. 더보기 관측값 해석론 & 측량학 - 1. 관측값 해석론에 관하여 대학원 수업을 들으며 공부하고 있는 관측값 해석론에 대해 정리하고자 작성한다. 📘 강의 제목: Adjustment Computations (관측값 해석론)🧭 관측값 해석이란?측량, 위치 정보, 공간 데이터와 같은 분야에서 측정값(관측값)을 바탕으로 진짜 값을 정확하게 추정하기 위한 수학적 방법 📌 핵심 주제1. 벡터와 행렬벡터와 행렬로 주어진 데이터들을 활용하여 측량이나 공간 데이터로 활용. 2. 확률 이론 (Probability)측정값에는 항상 오차가 존재함. (자로 책상길이를 여러 번 재면 매번 조금씩 다를 수 밖에 없음.)이 오차를 다루기 위해 확률 개념이 필요하며 이런 불확실성을 확률로 설명. 3. 매개변수 추정 (Parameter Estimation)여러 관측값을 통해 '진짜.. 더보기 [EECS 498-007/598-005] 시작!!! (Deep Learning for Computer Vision) [EECS 498-007/598-005] Deep Learning for Computer Vision 수업을 듣기 시작했다. [EECS 498-007/598-005] 수업은 Michigan Online 유튜브 채널을 통해서 공개된 미시간 대학에서 Justin Johnson 교수님이 만드신 수업이다.https://www.youtube.com/watch?v=dJYGatp4SvA&list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r&index=2 https://web.eecs.umich.edu/~justincj/teaching/eecs498/WI2022/ EECS 498-007 / 598-005: Deep Learning for Computer VisionWebsite for UMich E.. 더보기 기업탐방 기록일지 [올포랜드] 측량학회 덕분에 아직 한참 부족한 대학원생의 올포랜드 기업탐방 기록일지! ㅋㅋㅋㅋㅋ 일시: 2월 27일 장소: 마곡 올포랜드 올포랜드는 All for Land였다. 육지, 해상 등 다양한 분야에서 공간정보 구축에 대한 모든 부분에서 앞서나가고 있는 기업. 밑에 유튜브 링크는 이날 오신 기자님께서 촬영한 영상인데 27초, 1분23초, 2분6초에 아주 짧게 나도 스쳐 나온다. ㅋㅋㅋ https://www.youtube.com/watch?v=g3N--l5WLP0 더보기 이전 1 2 3 4 ··· 10 다음
