수학과 통계의 기초
벡터·행렬·확률·미분 — AI의 언어
OVERVIEW
- 전체 항목
- 6
- 입문
- 3
- 중급
- 2
- 고급
- 1
Every model ultimately reduces to operations on vectors and matrices, and every act of “learning” is ultimately the reduction of a loss along a gradient. This domain does not aim for a mathematician’s completeness; it selects only what is needed to understand AI: linear algebra gives data and weights their shape, probability gives uncertainty its measure, and calculus gives improvement its direction.
이 영역이 답하는 질문
- Q1
Why can data be written as a matrix?
- Q2
Which direction does the gradient actually point?
- Q3
Why can softmax be used as a probability?
이 영역의 항목
- 01벡터와 벡터 공간입문AI는 단어·이미지·소리·사용자까지 모두 숫자 배열로 바꾼다
- 02기울기와 경사하강법입문딥러닝의 본질은 하나다 — 내리막 방향으로 조금씩 걷는 것
- 03행렬 연산과 선형 변환중급행렬 곱셈은 곱하고 더하는 계산이 아니라, 공간 전체를 한 번에 바꾸는 변환이다
- 04확률과 확률분포입문모델은 ‘정답’을 내놓지 않고, 가능한 모든 답에 대한 확신도를 내놓는다
- 05베이즈 정리중급조금 믿고, 증거를 보고, 조금 수정한다 — 이것이 베이즈다
- 06엔트로피와 정보이론고급문장이 예상 밖일수록 더 많은 정보를 담는다. 언어 모델의 손실 함수가 재는 것은 바로 그 ‘놀라움’이다