AI Bootcamp 열세번째

열세번째 Diary

---

1. Flow

1. Vector transformation의 목적과 사용예시를 설명 할 수 있다.
2. eigenvector / eigenvalue를 설명 할 수 있다.
3. 데이터의 feature 수가 늘어나면 생기는 문제점과 이를 handling 하기 위한 방법을 설명 할 수 있다.
4. PCA의 목적과 기본원리를 설명 할 수 있다.

2. Result & Info

1. 고유값(eigenvalue) & 고유벡터(eigenvector)
   • $Ax=\lambda x$
     $A$는 고정된 것이고, 두개의 미지수가 $x$와 $\lambda$(lambda)가 있다. 이 식을 만족시키는 $\vec{x}$들이 고유벡터(eigenvector)가 된다. 곱해지는 모든 $\vec{x}$들은 변화시키지만, 변화하는 와중에 변하지 않는 성분이 존재하기 마련이고, 선형시스템 $A$의 그 변하지 않는 성분, 혹은 속성이 고유값(eigenvalues)과 고유벡터(eigenvectors)라는 형태로 표현된 것이다.
2. PCA할때 분산이 클수록 그 feature가 가지고 있는 정보가 많다. numerical한 방법도 있지만 scikit-learn의 PCA라이브러리로 구현가능하다.) $\Rightarrow$ 그 feature가 많은 vector가 eigenvector가 된다.
3. one hot encoding
   • categorical data $\Rightarrow$ numerical data
     $봄 = \begin{bmatrix} 1\\0\\0\\0\end{bmatrix}$, $여름 = \begin{bmatrix} 0\\1\\0\\0\end{bmatrix}$, $가을 = \begin{bmatrix} 0\\0\\1\\0\end{bmatrix}$, $겨울 = \begin{bmatrix} 0\\0\\0\\1\end{bmatrix}$

3. Etc

벌써 3주차 이다. 내가 제대로 가고있나? 하는 의문점이 들긴 하는데, 그래도 꾸준히 잘 해봐야지 않겠나 싶다.
어차피 시작은 했고 끝이 나야 끝나는 거기 때문에 이번 과제를 하면서 bootcamp시작 이후 처음으로 자괴감이라는걸 느꼈다.
마음이 많이 애리긴 하는데 꿋꿋이 가야 되지 않겠나 생각한다.
쭉 해보니 통계학은 처음부터 쫌 디테일하게 포스팅을 해야겠다 싶고, 선대는 이렇게 만이라도 가끔 포스팅을 하면 될 것같다.
새해되고 많은걸 시작하게 되었는데 어느하나 포기하지 말고 어느하나 놓치지 말고 해보자.