Imagination is more important than knowledge (지식보다 상상)
Posts
97 posts2차 방정식 쉽게 푸는 새 방법
2차 방정식 쉽게 푸는 새 방법 문제를 푸는 알고리듬 입장에서 해석을 해볼 수 있는 논문입니다. [아카이브 논문 참조 바랍니다.] 이차 방정식, x^2 + B x+ C = 0,에서, -B, C가 각각 해의 합, 해의 곱이라는 사실을 알고 있어야 합니다. 두 해의 더하기와 곱이 각각 -B, C라는 사실을 알고 있어야 합니다. 우선 두 해들의 평균을 먼저 생각합니다. 따라서, 해들은 -B/2-u, -B/2+u가 되고 말 것이다. [핵심 포인트, 이 계산 방법에서 가장 중요한 스텝이다.]또한, 이 들 두 개 해의 곱은 아래의 조건을 만족한다.(-B/2 - u) (-B/2 + u) = C이기 때문에, B^2/4-u^2= C를 이용한다. 즉, u^2 = B^2/4-C이다.이제 u를 계산합니다. 얻어진 u를 아
가장 쉬운 Adversarial AutoEncoder (AAE)
가장 쉬운 Adversarial AutoEncoder (AAE) 데이터들 각각의 암호화와 복원의 과정을 통해서 일반적인 암호화와 복원의 규칙을 찾아내는 것이 autoencoder(AE)이다.보다 더 좋은 암호화와 복원의 방법으로 VAE(variational autoencoder)가 제안되기도 했다.VAE는 AE와 달리 latent space에 특정 분포함수를 만들어 내고자 한다. 하나의 점보다 더 일반적인 분포를 선택하는 것이다.이러한 목표는 보다 더 좋은, 더 일반적인 암호화 규칙을 의미한다. 따라서, VAE는 보다 더 좋은 생성모델이 될 수 있다. AAE(adversarial autoencoder)는 VAE와 다른 방식으로 암호화된 분포를 제어하는 방법이다.VAE에서 사용하는 KL divergence
가장 쉬운 가우시안 프로세스 회귀,분류
가장 쉬운 가우시안 프로세스 회귀, 분류 가우시안 프로세스는 회귀, 분류 문제를 풀기 위한 지도학습 방법이다. 확률론적 예측을 가능하게 해준다. 너무 큰 다차원 공간에서 방법 고유의 효율성을 잃어버릴 수 있다. 훈련된 데이터를 적극적으로 사용한다. 계속해서 훈련 데이터를 추가한다. 훈련하는 데이터의 수가 너무 많지 않을 경우에 사용하는 회귀 방법이다. 무한차원의 다중변수 가우시안 분포 평균 함수, 상호분산 함수 import sklearn.gaussian_process as gp# X_tr <-- training observations [# points, # features] # y_tr <-- training labels [# points] # X_te <-- t
가장 쉬운 랜덤 포레스트 (Random forest)
가장 쉬운 랜덤 포레스트 (Random forest)scikit-learn에서 제공하는 다양한 분류, 회귀 방법들이 있다. 확장성 있는 방법으로서 결정 나무(decision tree)를 사용하는 방법이 독특하다. 일종의 '스무고개'라고 볼 수 있다. 나아가, 나무를 여러 개 사용하는 방법이 개발되어 있다. bootstrap aggregating(bagging)이라는 방법의 하나로 random forest가 있다. 이것은 bootstraping을 사용한다. 즉, 중복을 허용하는 resampling을 시도한다. 따라서, 우리는 다수의 결정 나무들을 가지게 된다. 이를 숲이라고 한다. 임의로 resampling을 했기 때문에 random forest라고 이름을 붙였다. 다시 말해서 기존의 주어진 데이터를 분해해서
가장 쉬운 denoising autoencoder
가장 쉬운 Denoising autoencoder 노이즈를 없애버리는 autoencoder, denoising autoencoder autoencoder의 변형으로 denosing autoencoder를 생각할 수 있다.아래의 왼쪽의 오염된 문서를 오른쪽의 문서로 변환하는 식으로 응용될 수 있다. denoising autoencoder 는 x-->x 가 아니라 x' --> x 가 되도록 훈련한 것. 여기서 x'은 노이즈를 가지고 있는 객체이다. 노이즈를 업애는 작업을 훈련시킬 수 있다.x'--> x가 되는 훈련을 시키면 된다. autoencoder: # get MNISTimport numpy as npfrom keras.datasets import mnist(x_t
