전체 글

1. Projection onto 1D subspaces 벡터 u의 기저벡터는 b이다.(다른 말로 표현하면 벡터 b로 표현할 수 있는 subspace 내에 u가 존재한다) 따라서 어떤 scalar lamda를 기저벡터 b에 곱해주면 파이 x u(x)가 되는 것이다. 이때 벡터 u 위의 벡터 x와 가장 가까운 지점을 구하면 x에서 u에 대해 수선을 내려야 한다. 수선의 정의는 직교(orthogonal)한다는 것이다. 따라서 벡터 b와 수선을 표현하는 벡터의 내적은 0이 된다. 위 정의를 이용하여 식을 정리해보면 람다에 대해 내적과 norm으로 정의할 수 있게 된다. 결과적으로 (b x b.T) / norm(b)^2 은 projection matrix가 된다. 2. Example: projection ont..

1. Simple neural networks neural network를 이루는 작은 원 하나를 neuron이라고 한다. 그 구조는 활성화 함수인 시그모이드에 가중치 w와 입력 a를 곱하고 b를 더한 값을 집어넣는 것이다. 만약 입력이 여러개이고 이것이 여러개로 구성된 다음층으로 전달될 때는 위와 같은 구조를 가진다. 1번 layer에 속하는 neuron들이 0번 layer에 속하는 neuron들과 모두 연결되어있다. 그리고 그 연결은 위에서 설명한 가중치와의 곱 + 편향으로 구성된다. 이를 일반화하면 단순한 숫자(scalar)의 곱이 아닌 벡터의 곱으로 이해할 수 있게 된다. 가중치벡터 W와 입력벡터 a를 곱하고 여기에 편향벡터 b를 더한 결과를 시그모이드 함수에 집어넣는 것이다. 다양한 일들을 수행..

문제 링크 https://school.programmers.co.kr/learn/courses/30/lessons/17684?language=python3 프로그래머스 코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요. programmers.co.kr 소스 코드 def solution(msg): # {A:1,B:2, ... , Z:26} 딕셔너리 생성 alphas = {chr(x):x-64 for x in range(65,91)} results = [] tmp = '' # 쌓아갈 문자열 cur = 27 # 딕셔너리 번호 for i in range(len(msg)): tmp += msg[i] # 확인하는 ..

2022년 10월 5일 수요일 삼성전자 DX SCSA 서류 합격 서류 제출은 지난 9월 14일 마감이었고, 한 달이 조금 지나지 않아서 서류 결과가 발표되었다. 사실 상반기에 도전해보면서 여기에 목을 매고 있는게 그닥 좋은 것도 아니라는걸 느꼈고, 이후 응시하는 GSAT에 필요한 역량도 많이 부족한 것 같지는 않아서 그냥 아예 까먹고 있었다. 오늘도 친구가 말해주지 않았으면 아예 모르고 지나갈뻔했다 ㅋㅋ.. 나는 삼성전자 DX에 SCSA 전형으로 지원했다. 컴퓨터공학 비전공자를 뽑아서 6개월 간 교육을 통해 성장시키고 3급 신입으로 채용 연계하는 전형이다. (내용만 들어도 경쟁률 엄청나게 치열할게 뻔한 그런 전형이다. 실제로 지난 상반기에 이 전형을 지원하며 알게된 사람들은 모두 떨어졌다) 개발에 관심을..

1. Multivariate chain rule t에 관한 n개의 함수 x로 구성된 함수 f를 t에 대해 미분하는 것은 chain rule로 표현 가능하다. 이때 편미분벡터와 미분벡터를 내적하는 꼴이 된다. 2. More multivariate chain rule 앞서 배운 내용처럼 chain rule은 원래 단변수함수를 바로 미분한 것과 동일한 결과를 가진다. 하지만 벡터를 원소로 가지는 경우 위처럼 행렬의 편미분과 미분의 곱으로 표현된다. 위 예시에서 앞의 두 개는 Jacobian(편미분을 모아놓은 벡터)이고 행렬의 곱에 따라 1 x 1 사이즈의 결과가 나타난다. 따라서 계산결과는 scalar값이 된다. 3. Multivariate chain rule exercise multivariate chain..

1. Survey of major AI application areas (optional) Computer Vision Image classification/Object recognition Face recognintion Object detection Image segmentation Tracking Natural Language Processing Text classification Sentiment recognition Information retrieval E.g., web search Name entity recognition Machine translation Ohters: parsing, part-of-speech tagging Speech Speech recognition (speech-t..