4.2 행렬의 수학적 정의 및 연산 🧮 행렬, 데이터 정리와 변환의 핵심 도구!
드디어 행렬 (Matrix)의 세계에 입문할 시간이 되었습니다! 🤩 행렬은 숫자를 사각형 모양으로 쫙 펼쳐서 담아놓은 것인데요, 마치 데이터를 체계적으로 정리하는 표와 같습니다. 이 단순해 보이는 행렬이, 벡터와 함께 선형대수의 두 기둥을 이루며, 인공지능을 포함한 다양한 분야에서 데이터 처리와 변환의 핵심 도구로 활약합니다. 마치 레고 블록🧱처럼, 행렬을 조립하고 연산하면서 복잡한 문제를 해결하는 마법을 경험하게 될 거예요! 자, 행렬의 매력 속으로 함께 빠져 볼까요? 🚀
4.2.1 행렬의 수학적 정의 (쉽고 명확하게!)
행렬, 숫자의 사각형 배열 🧮
행렬 (Matrix) 은 실수 또는 복소수 등의 숫자들을 사각형 형태로 배열한 것입니다. 각 숫자들은 행렬의 원소 (element) 또는 성분 (entry) 라고 불립니다. 행렬은 가로줄인 행 (row) 과 세로줄인 열 (column)로 구성됩니다. 마치 엑셀 spreadsheet 📊 처럼, 행과 열로 데이터를 منظم하게 정리하는 데 유용합니다.
행렬 표기법: 대문자, 괄호, 첨자 활용! 📝
행렬은 일반적으로 대문자 알파벳 로 표기합니다. 행렬의 원소들은 괄호 () 또는 대괄호 [] 안에 나열하여 표현하며, 각 원소의 위치를 나타내기 위해 첨자 (subscript)를 사용합니다. 개의 행과 개의 열을 가진 행렬 다음과 같이 표기할 수 있습니다.
$ A = \begin {pmatrix} a_{11} & a_{12} & \dots & a_{1n} \ a_{21} & a_{22} & \dots & a_{2n} \ \vdots & \vdots & \ddots & \vdots \ a_{m1} & a_{m2} & \dots & a_{mn} \end {pmatrix} $
여기서 는 행렬 의 번째 행, 번째 열에 위치한 원소를 나타냅니다. 첫 번째 첨자 는 행 인덱스 (row index), 두 번째 첨자 는 열 인덱스 (column index) 라고 부릅니다. 마치 지도🗺️에서 좌표를 이용하여 위치를 나타내는 것처럼, 첨자는 행렬 안에서 원소의 '주소'를 알려줍니다.
행렬의 크기 (차원): 행과 열의 개수 📏
행렬의 크기 (size) 또는 차원 (dimension) 은 행과 열의 개수로 표현합니다. 개의 행과 개의 열을 가진 행렬을 (m by n) 행렬 이라고 부릅니다. 행의 개수를 먼저, 열의 개수를 나중에 쓰는 순서를 기억하세요! 마치 액자🖼️ 크기를 가로 x 세로로 표현하는 것처럼, 행렬 크기도 행 x 열로 표현합니다.
행렬 종류: 다양한 모습의 행렬 친구들! 🤝
행렬은 행과 열의 개수, 원소의 특징 등에 따라 다양한 종류로 나눌 수 있습니다. 몇 가지 기본적인 행렬 종류를 알아볼까요? 마치 사람👨👩👧👦처럼, 행렬도 다양한 모습과 특징을 가지고 있습니다.
- 정방 행렬 (Square Matrix): 행과 열의 개수가 같은 행렬 ()정방 행렬은 행과 열의 길이가 같아서 마치 정사각형 모양을 띱니다. 정방 행렬은 행렬식, 역행렬 등 특별한 연산을 정의할 수 있어서, 선형대수에서 매우 중요한 역할을 합니다.
- $ A = \begin{pmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \ 7 & 8 & 9 \end{pmatrix} $ (3x3 정방 행렬)
- 행 벡터 (Row Vector): 1개의 행만 가지는 행렬 ()행 벡터는 벡터를 행렬 형태로 표현한 것입니다. 벡터를 가로로 길게 늘여놓은 모양입니다.
- $ \mathbf{v} = \begin{pmatrix} 1 & 2 & 3 \end{pmatrix} $ (1x3 행 벡터)
- 열 벡터 (Column Vector): 1개의 열만 가지는 행렬 ()열 벡터 역시 벡터를 행렬 형태로 표현한 것입니다. 벡터를 세로로 길게 세워놓은 모양입니다. 선형대수에서는 벡터를 열 벡터 형태로 표현하는 경우가 많습니다.
- $ \mathbf{u} = \begin{pmatrix} 1 \ 2 \ 3 \end{pmatrix} $ (3x1 열 벡터)
- 영행렬 (Zero Matrix): 모든 원소가 0인 행렬영행렬은 덧셈의 항등원 역할을 하며, 행렬 연산에서 중요한 역할을 합니다. 마치 숫자 0 처럼, 덧셈 연산에서 아무런 변화를 일으키지 않습니다.
- $ O = \begin{pmatrix} 0 & 0 \ 0 & 0 \end{pmatrix} $ (2x2 영행렬)
- 대각 행렬 (Diagonal Matrix): 주대각선 원소 외 모든 원소가 0인 정방 행렬대각 행렬은 계산이 간편하고, 고유값, 행렬식 등 다양한 성질을 쉽게 파악할 수 있어서 유용합니다. 마치 층층 cake 🍰 처럼, 대각선 방향으로만 값이 있고 나머지는 0으로 채워져 있습니다.
- $ D = \begin{pmatrix} 2 & 0 & 0 \ 0 & -1 & 0 \ 0 & 0 & 3 \end{pmatrix} $ (3x3 대각 행렬)
- 단위 행렬 (Identity Matrix): 주대각선 원소가 모두 1이고, 나머지 원소는 모두 0인 정방 행렬단위 행렬은 곱셈의 항등원 역할을 하며, 역행렬, 고유값 등 다양한 선형대수 개념과 관련되어 중요하게 사용됩니다. 마치 숫자 1 처럼, 곱셈 연산에서 아무런 변화를 일으키지 않습니다.
- $ I = \begin{pmatrix} 1 & 0 & 0 \ 0 & 1 & 0 \ 0 & 0 & 1 \end{pmatrix} $ (3x3 단위 행렬)
4.2.2 행렬 덧셈 및 뺄셈 (같은 크기 행렬끼리!)
행렬 덧셈: 같은 위치의 원소끼리 더하기 ➕
행렬 덧셈 (Matrix Addition) 은 같은 크기의 두 행렬 와 에 대해 대응하는 위치의 원소끼리 더하는 연산입니다. 두 행렬의 크기가 다르면 덧셈을 정의할 수 없습니다. 덧셈의 결과로 얻어지는 행렬 역시 원래 행렬과 같은 크기를 갖습니다. 마치 퍼즐🧩 조각을 맞추듯이, 같은 모양의 행렬끼리만 덧셈 연산을 할 수 있습니다.
$ A = \begin{pmatrix} a_{11} & a_{12} \ a_{21} & a_{22} \end{pmatrix}, ;;; B = \begin{pmatrix} b_{11} & b_{12} \ b_{21} & b_{22} \end{pmatrix} $
$ C = A + B = \begin{pmatrix} a_{11}+b_{11} & a_{12}+b_{12} \ a_{21}+b_{21} & a_{22}+b_{22} \end{pmatrix} $
행렬 덧셈 예시: 간단한 계산 연습! 💪
$ A = \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix}, ;;; B = \begin{pmatrix} 5 & -1 \ 0 & 2 \end{pmatrix} $
$ A + B = \begin{pmatrix} 1+5 & 2+(-1) \ 3+0 & 4+2 \end{pmatrix} = \begin{pmatrix} 6 & 1 \ 3 & 6 \end{pmatrix} $
행렬 뺄셈: 덧셈과 유사하게, 빼기! ➖
행렬 뺄셈 (Matrix Subtraction) 역시 같은 크기의 두 행렬 와 에 대해 대응하는 위치의 원소끼리 빼는 연산입니다. 뺄셈도 덧셈과 마찬가지로, 두 행렬의 크기가 같아야만 정의할 수 있습니다. 뺄셈의 결과 행렬 도 원래 행렬과 같은 크기를 갖습니다. 마치 덧셈의 반대 연산처럼, 행렬 뺄셈도 같은 모양의 행렬끼리만 가능합니다.
$ A = \begin{pmatrix} a_{11} & a_{12} \ a_{21} & a_{22} \end{pmatrix}, ;;; B = \begin{pmatrix} b_{11} & b_{12} \ b_{21} & b_{22} \end{pmatrix} $
$ D = A - B = \begin{pmatrix} a_{11}-b_{11} & a_{12}-b_{12} \ a_{21}-b_{21} & a_{22}-b_{22} \end{pmatrix} $
행렬 뺄셈 예시: 덧셈과 뺄셈 연습! ✍️
$ A = \begin{pmatrix} 6 & 1 \ 3 & 6 \end{pmatrix}, ;;; B = \begin{pmatrix} 5 & -1 \ 0 & 2 \end{pmatrix} $
$ A - B = \begin{pmatrix} 6-5 & 1-(-1) \ 3-0 & 6-2 \end{pmatrix} = \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} $
덧셈과 뺄셈은 매우 간단하죠? 행렬의 기본 연산이지만, 앞으로 배우게 될 복잡한 행렬 연산의 기초가 됩니다. 마치 덧셈, 뺄셈이 사칙연산의 기본인 것처럼, 행렬 덧셈, 뺄셈은 행렬 연산의 기본입니다.
4.2.3 스칼라 곱셈 (행렬 전체에 상수 곱하기)
스칼라 곱셈: 행렬의 크기는 그대로, 값만 조절! 🔢
스칼라 곱셈 (Scalar Multiplication) 은 행렬 에 스칼라 (상수) 를 곱하는 연산입니다. 스칼라 곱셈은 행렬의 모든 원소에 스칼라 값 를 곱하여 계산합니다. 행렬의 크기는 변하지 않고, 원소의 값만 스칼라 값에 비례하여 커지거나 작아집니다. 마치 사진 🖼️ 크기는 그대로 두고, 밝기만 조절하는 것과 같습니다.
$ A = \begin{pmatrix} a_{11} & a_{12} \ a_{21} & a_{22} \end{pmatrix} $
$ cA = \begin{pmatrix} ca_{11} & ca_{12} \ ca_{21} & ca_{22} \end{pmatrix} $
스칼라 곱셈 예시: 다양한 스칼라 값 곱해보기! 💪
$ A = \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} $
- $ 2A = 2 \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} = \begin{pmatrix} 2 \times 1 & 2 \times 2 \ 2 \times 3 & 2 \times 4 \end{pmatrix} = \begin{pmatrix} 2 & 4 \ 6 & 8 \end{pmatrix} $
- $ (-1)A = (-1) \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} = \begin{pmatrix} (-1) \times 1 & (-1) \times 2 \ (-1) \times 3 & (-1) \times 4 \end{pmatrix} = \begin{pmatrix} -1 & -2 \ -3 & -4 \end{pmatrix} = -A $
- $ 0A = 0 \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} = \begin{pmatrix} 0 \times 1 & 0 \times 2 \ 0 \times 3 & 0 \times 4 \end{pmatrix} = \begin{pmatrix} 0 & 0 \ 0 & 0 \end{pmatrix} = O $ (영행렬)
스칼라 곱셈은 행렬의 크기를 바꾸지 않고, 원소의 값을 조절하는 간단하면서도 유용한 연산입니다. 마치 볼륨 knob 🎚️ 처럼, 스칼라 값을 조절하여 행렬 전체의 크기를 키우거나 줄일 수 있습니다.
4.2.4 행렬 곱셈 (새로운 연산 규칙!)
행렬 곱셈: 앞 행렬 열과 뒤 행렬 행이 같아야 한다! ✖️
행렬 곱셈 (Matrix Multiplication) 은 행렬 연산 중에서 가장 복잡하고, 독특하며, 중요한 연산입니다. 행렬 곱셈은 두 행렬 와 에 대해 특별한 규칙에 따라 곱셈을 정의합니다. 행렬 곱셈은 덧셈, 뺄셈과는 달리, 앞 행렬의 열의 개수와 뒤 행렬의 행의 개수가 같아야만 정의할 수 있습니다. 만약 이 조건이 만족되지 않으면, 행렬 곱셈은 정의되지 않습니다. 마치 기차 🚂 와 기차 레일🛤️ 처럼, 연결 조건이 맞아야만 곱셈 연산이 가능합니다.
가 행렬이고, 가 행렬일 때, 행렬 곱 는 행렬로 정의됩니다. 결과 행렬 의 번째 원소 는 다음과 같이 계산됩니다.
$ c_{ij} = \sum_{k=1}^{p} a_{ik} b_{kj} = a_{i1}b_{1j} + a_{i2}b_{2j} + \dots + a_{ip}b_{pj} $
이 식은 행렬 곱셈의 핵심입니다. 결과 행렬 의 번째 원소를 얻기 위해서는, 행렬 의 번째 행 벡터와 행렬 의 번째 열 벡터를 내적해야 합니다. 마치 십자수🧵처럼, 행과 열을 교차하여 새로운 원소를 만들어내는 방식입니다.
행렬 곱셈 계산 순서: 차근차근 따라 해보기! 🔢
행렬 곱셈 의 번째 원소 를 계산하는 순서는 다음과 같습니다.
- 행렬 의 번째 행을 선택합니다.
- 행렬 의 번째 열을 선택합니다.
- 선택한 행 벡터와 열 벡터의 대응하는 위치의 원소끼리 곱합니다.
- 곱한 값들을 모두 더합니다.
- 더한 결과를 에 저장합니다.
이 과정을 결과 행렬 의 모든 원소에 대해 반복하면 행렬 곱셈이 완료됩니다. 행렬 곱셈은 다소 복잡하지만, 연습을 통해 익숙해질 수 있습니다. 마치 퍼즐🧩을 맞추듯이, 순서대로 차근차근 계산하면 복잡한 행렬 곱셈도 풀 수 있습니다.
행렬 곱셈 예시: 2x2 행렬 곱셈 연습! 💪
$ A = \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix}, ;;; B = \begin{pmatrix} 5 & 6 \ 7 & 8 \end{pmatrix} $
행렬 는 2x2 행렬이고, 행렬 도 2x2 행렬이므로, 행렬 곱 는 정의 가능하며, 결과 행렬 도 2x2 행렬이 됩니다. 각 원소를 계산해 봅시다.
따라서, $ C = AB = \begin{pmatrix} 19 & 22 \ 43 & 50 \end{pmatrix} $
행렬 곱셈, 주의해야 할 점! 곱셈 규칙, 교환 법칙! ⚠️
- 교환 법칙 성립 X: 일반적으로 입니다. 행렬 곱셈은 순서가 매우 중요합니다! 순서를 바꾸면 결과가 완전히 달라지거나, 심지어 곱셈 자체가 정의되지 않을 수도 있습니다. 마치 옷👚과 바지👖를 입는 순서처럼, 순서가 바뀌면 어색해지는 것처럼, 행렬 곱셈도 순서에 주의해야 합니다.
- 영인자 존재: 이지만 이고 일 수 있습니다. 행렬 곱셈에서는 영인자 (zero divisor) 가 존재할 수 있습니다. 이는 실수 곱셈에서는 볼 수 없는 특이한 현상입니다. 마치 마술🎩처럼, 0이 아닌 행렬끼리 곱했는데 0이 될 수 있다니, 신기하죠?
- 소거 법칙 성립 X: 이더라도 라고 할 수 없습니다. 행렬 곱셈에서는 소거 법칙 (cancellation law) 이 일반적으로 성립하지 않습니다. 이는 방정식 풀이 시 주의해야 할 점입니다. 마치 미로(maze)처럼, 행렬 곱셈은 미묘하고 함정 🕳️ 이 있을 수 있으니, 주의 깊게 다뤄야 합니다.
행렬 곱셈의 거듭제곱: 같은 행렬 여러 번 곱하기!
정방 행렬 에 대해서는 거듭제곱 (power) 을 정의할 수 있습니다. 와 같이, 같은 행렬을 여러 번 곱하는 것입니다. 행렬 거듭제곱은 그래프 이론, 마르코프 체인, 동역학 시스템 등 다양한 분야에서 활용됩니다. 마치 톱니바퀴⚙️처럼, 행렬을 거듭제곱하면서 시스템의 변화를 분석할 수 있습니다.
특히, (단위 행렬) 로 정의하고, 이 존재하면 으로 정의합니다.
행렬 곱셈, 왜 중요할까요? 선형 변환, 연립 방정식, 그래프, 인공지능... 핵심 엔진! 🚀
행렬 곱셈은 단순히 숫자를 곱하는 연산을 넘어, 다음과 같은 다양한 분야에서 핵심 엔진 역할을 합니다.
- 선형 변환 합성: 행렬 곱셈은 선형 변환 (linear transformation) 을 합성 (composition) 하는 연산을 나타냅니다. 두 선형 변환을 차례대로 적용하는 것은, 두 변환에 대응하는 행렬을 곱하는 것과 같습니다. 선형 변환 합성은 컴퓨터 그래픽스, 로봇 공학 등에서 물체의 변환, 움직임 등을 표현하는 데 핵심적으로 활용됩니다. 마치 영화 필름🎞️처럼, 선형 변환을 행렬 곱셈으로 연결하여 복잡한 변환을 만들 수 있습니다.
- 연립 방정식 표현: 연립 선형 방정식 (system of linear equations) 은 행렬과 벡터의 곱셈 형태로 간결하게 표현될 수 있습니다. 행렬을 이용하면 복잡한 연립 방정식을 체계적으로 분석하고, 해를 구하는 효율적인 알고리즘을 개발할 수 있습니다. 마치 복잡한 미로 maze 迷路 를 행렬 방정식을 통해 논리적으로 푸는 것과 같습니다.
- 그래프 표현 및 분석: 그래프 (graph) 의 연결 관계를 인접 행렬 (adjacency matrix) 로 표현하고, 행렬 곱셈을 이용하여 그래프의 경로 개수, 연결 성분 등을 분석할 수 있습니다. 소셜 네트워크 분석, 웹 검색 엔진 등에서 그래프 이론과 행렬 곱셈은 중요한 도구로 활용됩니다. 마치 거미줄🕸️처럼 복잡한 네트워크를 행렬로 표현하고 분석하는 데 행렬 곱셈이 사용됩니다.
- 인공지능 (머신러닝, 딥러닝): 인공신경망, 심층 신경망 등 딥러닝 (deep learning) 모델의 핵심 연산은 행렬 곱셈입니다. 대량의 데이터를 행렬로 표현하고, 행렬 곱셈을 통해 복잡한 계산을 효율적으로 수행하여 인공지능 모델을 학습시키고 추론합니다. 마치 인공지능🤖의 두뇌🧠를 구성하는 핵심 부품과 같습니다.
이처럼 행렬 곱셈은 선형대수의 핵심 연산이며, 다양한 분야에서 문제를 해결하는 강력한 도구입니다. 행렬 곱셈을 자유자재로 다룰 수 있다면, 선형대수라는 강력한 무기를 손에 쥐게 되는 것과 같습니다! 💪
4.3 벡터와 행렬의 선형 변환 📐 선형 변환, 벡터 공간을 변형하는 마법!
자, 이제 벡터와 행렬을 이용하여 벡터 공간을 변형하는 선형 변환 (Linear Transformation) 이라는 매혹적인 개념을 탐험할 시간입니다! 선형 변환은 벡터 공간의 구조를 보존하면서 벡터를 다른 벡터로 변환시키는 특별한 함수입니다. 마치 거울에 비친 모습처럼, 벡터 공간의 형태는 유지하면서 벡터의 위치나 방향을 바꿀 수 있는 마법🪄과 같습니다. 선형 변환은 컴퓨터 그래픽스, 물리학, 공학 등 다양한 분야에서 변환, 이동, 회전, 크기 조절 등 다양한 작업을 수행하는 데 핵심적인 역할을 합니다. 선형 변환의 마법 같은 힘을 함께 느껴볼까요? ✨
4.3.1 선형 변환의 개념 (쉽고 직관적으로!)
선형 변환이란 무엇일까요? 🤔
선형 변환 (Linear Transformation) 은 벡터 공간 에서 또 다른 벡터 공간 로의 특별한 함수 입니다. '특별하다'는 것은 선형 변환이 다음 두 가지 중요한 선형성 (linearity) 조건을 만족해야 한다는 의미입니다. 마치 레고 블록🧩처럼, 정해진 규칙대로만 변환해야 선형 변환이라고 부를 수 있습니다.
선형성 조건: 두 가지 규칙만 기억하세요! 🔑
- 벡터 덧셈에 대한 보존 (Additivity): 두 벡터를 더한 후 변환한 결과는, 각 벡터를 변환한 후 더한 결과와 같다.마치 택배📦를 보낼 때, 묶어서 보내나 따로 보내나 최종 배송 결과는 같은 것과 같습니다. 벡터 덧셈 연산이 선형 변환에 의해 '보존'되는 성질입니다.
- $ T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v}) $ (for all )
- 스칼라 곱셈에 대한 보존 (Homogeneity): 벡터를 스칼라 배 한 후 변환한 결과는, 벡터를 변환한 후 스칼라 배 한 결과와 같다.마치 사진 🖼️ 크기를 키우거나 줄일 때, 비율이 유지되는 것과 같습니다. 스칼라 곱셈 연산이 선형 변환에 의해 '보존'되는 성질입니다.
- $ T(c\mathbf{u}) = cT(\mathbf{u}) $ (for all and scalar )
이 두 가지 선형성 조건을 모두 만족하는 함수만이 선형 변환이라고 불릴 수 있습니다. 선형 변환은 벡터 공간의 구조를 '선형적'으로 유지하면서 변환하는 함수입니다.
선형 변환의 예시: 다양한 변환, 선형일까? 🤔
- 예시 1: 영변환 (Zero Transformation) 를 로 정의하면, 는 선형 변환입니다.
영변환은 모든 벡터를 영벡터로 보내는 '무(無)'로 만드는 변환입니다. 선형성 조건을 만족하는지 직접 확인해 보세요. - 예시 2: 항등변환 (Identity Transformation) 를 로 정의하면, 는 선형 변환입니다.
항등변환은 모든 벡터를 자기 자신으로 보내는 '제자리' 변환입니다. 변환을 해도 아무런 변화가 없는 것이죠. 항등변환 역시 선형성 조건을 만족합니다. - 예시 3: 상수배 변환 (Scaling Transformation) 를 로 정의하면, 는 선형 변환입니다.
상수배 변환은 모든 벡터를 2배로 늘리는 '확대' 변환입니다. 벡터의 방향은 유지하면서 크기만 변합니다. 상수배 변환 역시 선형성 조건을 만족합니다. - 예시 4: 회전 변환 (Rotation Transformation) 를 만큼 회전시키는 변환이라고 하면, 는 선형 변환입니다.
회전 변환은 벡터를 원점을 기준으로 특정 각도만큼 회전시키는 변환입니다. 회전 변환은 각도와 방향을 보존하면서 벡터를 변환시키며, 선형성 조건을 만족합니다.
- 예시 5: 전단 변환 (Shear Transformation) 를 로 정의하면, 는 선형 변환입니다.
전단 변환은 마치 카드 덱 deck 🃏 을 옆으로 밀듯이, 한쪽 방향으로 밀어서 변형시키는 변환입니다. 전단 변환은 면적을 보존하면서 도형을 찌그러뜨리는 변환이며, 선형성 조건을 만족합니다. - 예시 6: 반사 변환 (Reflection Transformation) 를 x축 대칭 변환이라고 하면, 는 선형 변환입니다.
반사 변환은 마치 거울🪞에 비친 모습처럼, 특정 축 또는 평면에 대해 대칭으로 벡터를 변환시키는 것입니다. 반사 변환은 좌우 반전, 상하 반전 등을 구현하며, 선형성 조건을 만족합니다.
'인공지능 · 데이터 과학 > 수학에서부터 경사하강법, 선형회귀까지' 카테고리의 다른 글
| 6. 손 계산과 구현(최종) (2) | 2025.02.06 |
|---|---|
| 5. 선형회귀와 경사하강법 (3) | 2025.02.06 |
| 4-1. 벡터와 행렬 - 벡터 심화 (0) | 2025.02.06 |
| 3. 벡터와 행렬 - 기초 (1) | 2025.02.06 |
| 2. 수학 심화 과정 (0) | 2025.02.06 |
