| 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 |
- 수리통계
- Marketing Mix Modeling
- Optimization
- bayesian
- 프로그래머를 위한 선형대수 #선형대수 #고유값 #고유벡터 #야코비 회전법 #QR법 #하우스홀더반사 #행렬회전
- 미적분
- Media Mix Modeling
- 미적분 #평균값 정리 #로피탈의 정리 #접선의 방정식
- 프로그래머를 위한 선형대수 #선형대수 #고유분해 #고윳값 #고유벡터
- 프로그래머를 위한 선형대수 #선형대수 #행렬계산
- mmm
- 프로그래머를 위한 선형대수 #선형대수 #고유값 #고유벡터 #고유분해
- 미적분 #접선의 방정식 #최적화 #뉴턴법 #뉴턴-랩슨법
- 프로그래머를 위한 선형대수 #선형대수 #LU분해
- bayesian inference
- 시계열분석 #Time-Series Analysis #이상탐지 #Anomaly Detection #Spectral Residual #CNN #SR-CNN
- 미적분 #사인과 코사인의 도함수
- lightweightmmm
- Today
- Total
목록2023/06/14 (2)
문과생 네버랜드의 데이터 창고
다변수 함수의 연쇄법칙 1) 다변수 함수가 2차 이상의 깊이로 매개변수화 됐을 때를 가정하자. 예를 들면 아래와 같은 상황이다 ${(1)}$ $f[x_{1}, x_{2}, ..., x_{n}]$ 일 때, $x_{1} = x_{1}(t)$, ..., $x_{n} = x_{n}(t)$ -. 즉, $x_{1}, ..., x_{n}$ 가 2차 깊이의 t로 매개화된 상황이다. ${(2)}$ 이 경우, 매개변수 t의변화가 원함수에 영향을 주는 정도를 파악하기 위한 미분법이 필요하다. ${(3)}$ 이와 같은 미분을 $\frac{\partial f}{\partial t}$로 정의할 때 아래와 같이 나타낼 수 있다. $$\frac{df}{dt} = [\frac{\partial f}{\partial x_{1}}, \fr..
편미분이란?1) 일변수 함수 $f(x)$가 아니라, 두 개 이상의 변수를 입력으로 받는 함수 $f(x_{1}, ..., x_{n}$이 존재할 떄${(1)}$ 이 함수에 대한 미분을 어떻게 구할것인가에 대한 문제가 생긴다.${(2)}$ 이 함수에 대하여 오직 한 개의 변수(ex, $x_{1}$의 영향에 대해서만 관심을 갖고 나머지 변수에 대해서는 일단 관심을 끄기로 한다면, 이것을 우린 편미분이라고 부른다. ${(3)}$ 엄밀하게 정의한 편미분은 아래와 같이 나타낼 수 있다.$\frac{\partial f(x_{1}, x_{2}, ..., x_{n})}{\partial x_{1}} = lim_{x_{1} \rightarrow 0} \frac{\Delta f}{\Delta x} = \frac{f(x_{1}..