| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | |
| 7 | 8 | 9 | 10 | 11 | 12 | 13 |
| 14 | 15 | 16 | 17 | 18 | 19 | 20 |
| 21 | 22 | 23 | 24 | 25 | 26 | 27 |
| 28 | 29 | 30 | 31 |
- lightweightmmm
- mmm
- 프로그래머를 위한 선형대수 #선형대수 #고유분해 #고윳값 #고유벡터
- 수리통계
- 미적분 #평균값 정리 #로피탈의 정리 #접선의 방정식
- 프로그래머를 위한 선형대수 #선형대수 #행렬계산
- 프로그래머를 위한 선형대수 #선형대수 #LU분해
- 미적분 #접선의 방정식 #최적화 #뉴턴법 #뉴턴-랩슨법
- 미적분
- Marketing Mix Modeling
- 프로그래머를 위한 선형대수 #선형대수 #고유값 #고유벡터 #고유분해
- Optimization
- 프로그래머를 위한 선형대수 #선형대수 #고유값 #고유벡터 #야코비 회전법 #QR법 #하우스홀더반사 #행렬회전
- bayesian
- Media Mix Modeling
- 미적분 #사인과 코사인의 도함수
- bayesian inference
- 시계열분석 #Time-Series Analysis #이상탐지 #Anomaly Detection #Spectral Residual #CNN #SR-CNN
- Today
- Total
목록2023/05/04 (3)
문과생 네버랜드의 데이터 창고
마코프 부등식 1) $ A = \{x:u(x) \geq c\}$ 일때, 확률변수 X의 pdf $f(x)$에서 ${(1)}$ $E[u(x)] = \int_{-\infty}^{\infty}u(x) \cdot f(x)dx = \int_{A}u(x) \cdot f(x)dx + \int_{A^{c}}u(x) \cdot f(x)dx$ $({2})$ 이 때, 당연히 $\int_{-\infty}^{\infty}u(x) \cdot f(x)dx > \int_{A}u(x) \cdot f(x)dx$ 이므로, $({3})$ $u(x) = c$로 놓아도, ${1)}$의 정의에 따라 $x \in A$라면 $u(x) \geq c$ 이므로 $\int_{-\infty}^{\infty}u(x) \cdot f(x)dx > c \cdot \..
평균 1) $E(X) = \mu$ 로서, 적률생성함수에서 1차 적률이 바로 평균이다 분산 1) $E(x - \mu)^{2}$ 으로서, 이를 정리하면 $E(x^{2}) - \mu^{2}$ 이다. 2) 위는 다시말해 적률생성함수에서 생성한 2차 적률인 $E(x^{2})$에서 평균의 제곱을 뺀 값이다. 3) 분산에 제곱근을 씌우면 표준편차라고 하며, 값들이 평균으로부터 흩뿌려진 정도를 나타낸다.
덧셈법칙 1) $ f(x) = v(x) + u(x) $ 라고 한다면 $\frac{\Delta f(x)}{\Delta x} = \frac{\Delta v(x)}{\Delta x} + \frac{\Delta u(x)}{\Delta x}$ 이다. ${(1)}$ $\frac{\Delta f(x)}{\Delta x} = \frac{f(x + \Delta x) - f(x)}{\Delta x} = \frac{v(x + \Delta x) + u(x + \Delta x) - v(x) + U(x)}{\Delta x}$ ${(2)}$ 마지막 항을 정리하면 $\frac{v(x + \Delta x) - v(x)}{\Delta x} + \frac{u(x + \Delta x) - u(x)}{\Delta x} = \frac{\Del..