[개발 일지] 25. 06. 09 Mon

【 To-do list 】

  - 파이썬 코딩 테스트

【 In progress 】

 - 방통대 프라임칼리지 AI학과 기말고사 대비

 - 커널 아카데미 AI 부트캠프 3주차 / 32주

 - NIPA google 딥러닝 5주차 / 8주

 

【 Done 】

 - 방통대 머신러닝15강. 실습2 100% 

 - 방통대 대학기초수학 15강. 벡터 방정식 100%

【 Reflect 】

정말 쉼 없이 달려가고 있는 것 같다.
하지만 두 가지 걱정이 있다.

첫째, 복습과 내용을 채화할 시간이 부족하다는 점,
둘째, 실속 없이 시간을 소비하거나 중요한 것들을 놓치고 있는 건 아닐까 하는 우려다.

이럴 때일수록 더욱 철저한 시간 관리가 필요하다.
숲과 나무를 모두 볼 줄 아는 시야를 갖자.

• 구글 캘린더를 활용해 거시적이고 장기적인 관점에서 계획을 세우고,
• 구글 태스크로는 하루 동안 해야 할 일, 반복 루틴을 시간 단위로 체크리스트화해 점검하자.

이러한 습관을 계속 발전시키고, 생활 속에 자연스럽게 녹여내어
생산성 높은 하루하루를 만들어가자.

---

머신러닝

이 강의는 9강부터 14강까지 학습한 머신러닝 알고리즘을 실제 이미지 데이터를 활용해 적용해보는 종합 실습 중심 강의이다.
단순한 모델 적용을 넘어, 모델의 성능을 평가하고 해석하는 능력을 기르는 것을 목표로 하며,
추가로 딥러닝 프레임워크인 Pytorch의 구조와 문법을 익히고 GPU를 활용한 효율적인 학습 환경 구축까지 실습한다.

학습 목표

• 지도학습, 비지도학습 등 다양한 머신러닝 알고리즘의 이론적 원리를 이해하고 실제 데이터에 적용한다.
• 손실 함수(loss function), 최적화(optimization), 모델 평가 지표 등의 기초 개념을 실습을 통해 체득한다.
• 딥러닝 프레임워크인 Pytorch의 기본 문법과 데이터 흐름 구조를 학습한다.
• 인공신경망(Artificial Neural Networks), 합성곱신경망(CNN) 등 주요 딥러닝 구조를 직접 구축하고 학습시킬 수 있다.
• GPU를 활용한 병렬 연산 및 고속 학습 환경을 이해하고 적용할 수 있다.

주요 개념

• Pytorch: 파이썬 기반의 오픈소스 딥러닝 프레임워크로, 자동 미분(Autograd), 모델 구성(Module), GPU 연산 등을 지원한다.
• Tensor(서): 데이터를 표현하는 기본 자료구조로, 스칼라(0차원), 벡터(1차원), 행렬(2차원) 등을 일반화한 형태이다.
• 손실 함수: 모델이 예측한 값과 실제 값 사이의 오차를 수치화한 함수로, 학습 과정에서 최소화의 대상이 된다.
• Optimizer: 손실 함수를 최소화하기 위해 모델의 파라미터를 조정하는 알고리즘 (예: SGD, Adam 등)

실습 내용 요약

• 이미지 데이터를 활용하여 회귀, 분류 등의 머신러닝 알고리즘을 적용하고 결과를 비교 분석하였다.
• Pytorch를 활용해 MLP, CNN 등 다양한 딥러닝 모델을 구성하고 학습시키는 과정을 실습하였다.
• GPU 환경에서 모델을 학습시켜 CPU 대비 연산 속도와 성능 차이를 확인하였다.

참고자료

• Kevin P. Murphy (2012), Machine Learning: A Probabilistic Perspective
• Géron, A. (2022), Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
• James, G. et al. (2013), An Introduction to Statistical Learning
• Lantz, B. (2023), Machine Learning with R, Packt Publishing Ltd.

---

학습 개요

본 단원에서는 벡터를 활용하여 공간 도형(직선, 평면, 구)을 수학적으로 표현하는 방법을 학습한다.
벡터 방정식을 이용하면 공간 내의 도형을 좌표 대신 기하적 의미가 내포된 구조로 표현할 수 있다.
이는 이후 미적분, 선형대수, 물리학 등 다양한 분야에서 공간을 다루는 기초 도구로 활용된다.

 

학습 목표

직선, 평면, 구를 각각 벡터 방정식으로 표현할 수 있다.
벡터 연산(덧셈, 뺄셈, 내적, 크기 등)을 통해 도형의 성질을 이해하고 해석할 수 있다.
벡터 방정식을 활용하여 도형 간의 관계(수직, 평행, 거리 등)를 수학적으로 설명할 수 있다.

 

주요 용어

위치벡터: 기준점(보통 원점)에서 어떤 점까지를 잇는 벡터로, 점의 위치를 벡터 형태로 표현한다.
방향벡터: 직선의 방향을 나타내는 벡터로, 직선의 진행 방향을 결정짓는 핵심 요소이다.
법선벡터: 평면에 수직인 벡터로, 평면의 방향이나 기울기를 나타낸다. 평면 방정식 구성에 필수적이다.

 

이론적 배경 및 내용 요약

 

• 직선의 벡터 방정식
  • 직선이 지나가는 한 점 P와 방향벡터 d가 주어질 때,
    직선 위 임의의 점 r은 다음과 같이 표현됩니다.
    r = P + t·d
    (t는 실수 범위의 매개변수이며, 직선을 따라 움직이는 양을 의미함)
• 평면의 벡터 방정식
  • 평면 위의 한 점 P와 법선벡터 n이 주어졌을 때,
    평면 위 임의의 점 r에 대해 다음 조건이 성립합니다.
    (r - P) · n = 0
    (여기서 ·는 벡터의 내적을 의미하고, 두 벡터가 수직임을 나타냅니다)
• 구의 벡터 방정식
  • 중심이 C이고 반지름이 r인 구는
    임의의 점 r에 대해 다음 조건을 만족합니다.
    |r - C| = r 또는
    (r - C) · (r - C) = r²
    (여기서 | |는 벡터의 크기, 즉 거리입니다)

 

 

참고자료

홍성대, 『수학의 정석』, 성지출판
Chiang and Wainwright (2005), Fundamental Methods of Mathematical Economics, McGraw-Hill