Part 0. Previews & Index

🧐 목차

1장 Highlights of Linear Algebra
1.1 행렬 A의 열을 이용한 곱셈 Ax
1.2 행렬 곱셈 AB
1.3 네 가지 기본 부분공간 (4 Fundamential Subspaces)
1.4 소거법과 A=LU
1.5 직교행렬과 부분공간
1.6 고윳값과 고유벡터
1.7 대칭인 양의 정부호 행렬 (Symmetric Positive Definite Matrices)
1.8 특잇값 분해(SVD)에서 특잇값과 특이벡터
1.9 주성분과 최적의 낮은 랭크 행렬
1.10 레일리(Rayleigh) 몫과 일반화된 고윳값
1.11 벡터, 함수, 행렬의 Norm
1.12 행렬과 텐서의 분해 : 양과 희소 (Positive & Sparse)


2장 Computations with Large Matrices
2.1 수치선형대수학
2.2 네 가지 최소제곱
2.3 열공간의 세 가지 기저
2.4 임의화 선형대수학


3장 Low Rank and Compressed Sensing
3.1 A의 변화에 따른 A^{-1}의 변화
3.2 고윳값 인터레이싱과 낮은 랭크 신호
3.3 급격히 감소하는 특잇값
3.4 l²+l¹에 대한 분해 알고리즘
3.5 압축 센싱과 행렬완성


4장 Special Matrices
4.1 푸리에 변환 : 이산과 연속성
4.2 이동행렬과 순환행렬
4.3 크로네커 곱 AⓧB
4.4 크로네커 합을 통한 사인과 코사인 변환
4.5 퇴플리츠 행렬과 이동 불변 필터
4.6 그래프와 라플라시안 그리고 키르히호프의 법칙
4.7 스펙트럼 방법과 K-평균을 이용한 군집화
4.8 랭크 1 행렬완성
4.9 직교 프로크루스테스 문제
4.10 거리행렬


5장 Probability and Statistics
5.1 평균, 분산, 확률
5.2 확률분포
5.3 모멘트생성함수, 누적생성함수, 통계 부등식
5.4 공분산행렬과 결합확률
5.5 다변량 정규분포와 가중최소제곱
5.6 마르코프 연쇄


6장 Optimization
6.1 최솟값 문제 : 볼록성과 뉴턴 방법
6.2 라그랑주 승수와 비용 도함수
6.3 선형 계획법, 게임이론, 쌍대성
6.4 최솟값으로 향하는 경사하강
6.5 확률적 경사하강과 ADAM


7장 Learning from Data
7.1 심층 신경망의 구조
7.2 합성곱 신경망
7.3 오차역전파와 연쇄법칙
7.4 초매개변수 : 숙명적 결정
7.5 머신러닝 세계

 

 

 

 

 

 

🧐 Purpose

😶 이 책의 목표
1. Data Science의 주요 방법론과 아이디어를 정리
2. 1.을 어떻게 선형대수학으로 표현할 지 학습
3. 1.을 어떻게 설명할 지 학습

 

🧐 Basic for Machine Learning

😶 ML & DL
머신러닝에서 선형대수학, 확률통계, 최적화는 마치 대들보와 같다.
본 책은 train data를 올바르게 분류, 처음보는 data까지 분류하는 "learning function"구성이 목표
보통 이런 learning function 구성을 하는 방식 중 요즘 가장 많이 사용되는 것이 바로 "Deep Learning"이다.


😶 Linear & Nonlinear Activation
- Linear의 가장 큰 예시 중 Affine function의 경우, 빠르게 학습이 가능하지만 그 자체로는 너무 단순하다는 단점이 있다.
즉, 선형성이란 매우 제한이 큰 조건이다.

- Nonlinear는 입력벡터 v의 성분을 제곱(norm2)하는 형태로 나타난다.


😶 Neural Network & F(v)의 구조
딥러닝 구성 함수 F(v) = L(R(L(R(...(Lv)))))의  형태이다.
 - 이때, F는 함수 R과 Affine함수인 Lv = Av + b 간의 합성함수이다.
 - A와 b는 F의 가중치로 행렬로 표현되며, train data로 학습된다.
이때, train data의 특성을 뽑기위해 가중치를 계산, 이때 가중치는 행렬성분이며 미분적분학의 "편미분"을 이용해 현재 가중치를 향상시키는 방향을 제시한다.

 - 층이 많아질수록 F(v)의 정확도가 올라간다.


cf. stochastic(=random)이라는 표현은 성공이 확실성이 아닌 확률에 좌우됨을 의미한다.
즉, 큰 수의 법칙은 큰 함수의 법칙으로 확장되며 만약 모델구조가 잘 설계되고 parameter가 잘 계산된다면 성공할 확률이 높음을 대변할 수 있다.

 

선형대수 응용 시, 가장 기본적이고 중요한 개념이 되는 5가지 문제

1. Ax = b (만족하는 x값 구하기)
2. Ax = λx (만족하는 x와 λ값 구하기)
 - x와 λ값을 안다면, 단순 선형문제로 변하기에 어떤 선형문제라도 풀 수 있게 된다.

3. Av = σu (만족하는 v, u, σ값 구하기)
 - SVD는 가장 간단한 표현의 σuvT를 찾으며, Data Science는 SVD에서 선형대수학과 연결된다.
 - 이때, σuvT를 찾는 것은 PCA의 목적이 된다.

4. argmin( ||Ax||² / ||x||² )
5. Factor A (A를 열과 행의 곱으로 분해하기)
 - 최소제곱(least squares)에서 최적의 x̂을 구하고,
 - PCA에서 주성분인 v₁을 계산하는것은 fitting의 대수적 문제이다.

cf. column space, null space, Eigen vector, SVD, Least Squares, Fourier transform, LASSO(in 통계학)