1. Eigen values and eigenvectors
- 3,4 차원의 고윳값과 고유벡터는 계산기를 통해 구한다.
- loop가 존재하면 다른 페이지로 가는 것이 아니라 cycle을 형성하게 된다.
- loop가 두 개 존재하면 작은 행렬로 나눠서 고윳값과 고유벡터를 찾을 수 있다.
이때는 unique PageRank가 존재하지 않는다. - damping을 적용하면 계산의 크기가 작아진다.
기존 페이지에 머무를지 이동할지에 대한 가중치를 부여하는 것이 damping이다. - 람다에 관한 방정식을 characteristic polynomial이라고 한다.
- 이 방정식으로 고윳값과 고유벡터를 구할 수 있다.
- 대각행렬을 이용해서 행렬의 제곱도 간단하게 구할 수 있다.
2. Summary
- 계산은 컴퓨터가 하기 때문에 손으로 계산하는 방법을 터득하는 것보다 계산이 지니는 의미를 직관적으로 이해하는 것이 중요하다.
- 지금까지 배운 다섯 개의 챕터는 머신러닝에 필요한 핵심 요소들이다.
이를 기반으로 다른 곳들에 적용하고, 필요하다면 추가적인 공부를 하도록 하자.
3. Wrap up of this linear algebra course
- 이 수업은 다른 머신러닝 툴을 이해하는데 도움이 될 수 있도록 제작되었다.
또한 현실세계의 문제를 처리하는데 도움이 될 수 있도록 했다. - 다변수미분 수업으로 이어진다.
출처: Coursera, Mathematics for Machine Learning: Linear Algebra, Imperial College London
'Linear Algebra > 5주차' 카테고리의 다른 글
Making the PageRank algorithm (0) | 2022.09.19 |
---|---|
When changing to the eigenbasis is really useful (1) | 2022.09.19 |
Getting into the detail of eigenproblems (0) | 2022.09.18 |
What are eigen-things? (0) | 2022.09.18 |