1. 행렬(Matrix)의 정의

인공지능 및 기계 학습에서 행렬(matrix)은 데이터를 처리하고 표현하는 중요한 도구입니다. 행렬은 수를 직사각형 형태로 배열한 것으로, 데이터를 수학적으로 다루기 위해 필수적입니다. 행렬을 사용하면 대규모 데이터를 효율적으로 관리하고 계산할 수 있습니다.

예시:

우리가 이미 익숙한 데이터 테이블을 생각해봅시다.
학생들의 수학 및 영어 성적을 나타내는 데이터가 있다고 가정할 때, 이를 행렬로 표현할 수 있습니다.

여기서 행은 학생, 열은 과목(수학과 영어)을 나타냅니다. 이처럼 행렬은 2차원 데이터를 매우 간단하게 표현할 수 있습니다.

행렬을 다룰 때 중요한 개념으로 행렬의 곱셈, 역행렬, 전치 행렬 등이 있으며, 이는 인공지능 모델을 구현할 때 필수적인 기초 연산입니다.

1.1. 행렬의 곱셈(Matrix Multiplication)

행렬의 곱셈은 두 행렬을 곱하는 연산입니다. 두 행렬을 곱하려면 첫 번째 행렬의 열의 개수가 두 번째 행렬의 행의 개수와 같아야 합니다. 곱셈 결과로 나온 행렬의 $i$-번째 행과 $j$-번째 열의 값은 첫 번째 행렬의 $i$-번째 행과 두 번째 행렬의 $j$-번째 열에 있는 원소들의 곱을 모두 더한 값입니다.

예시:

두 행렬을 곱하면,

---

1.2. 역행렬(Inverse Matrix)

역행렬은 어떤 행렬을 곱했을 때 결과가 단위행렬(identity matrix)이 되는 행렬을 의미합니다. 행렬 $A$에 대해 역행렬을 $A^{-1}$라고 표기하며, 다음 관계식을 만족합니다.

단, 모든 행렬에 역행렬이 존재하는 것은 아니며, 행렬식(determinant)이 0이 아닌 경우에만 역행렬이 존재합니다.

예시:
행렬 $A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$의 역행렬은,

---

1.3. 전치 행렬(Transpose Matrix)

전치 행렬은 원래 행렬의 행과 열을 서로 바꾼 행렬입니다. 행렬 $A$의 전치 행렬은 $A^T$로 표기하며, $A$의 첫 번째 행이 $A^T$의 첫 번째 열이 되고, 두 번째 행이 두 번째 열이 되는 방식입니다.

예시:
행렬 $A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$의 전치 행렬은,

---

2. 고윳값(Eigenvalue)과 고유벡터(Eigenvector)란?

출처 : https://rfriend.tistory.com/181

고유벡터(Eigenvector)의 정의

고유벡터는 행렬이 특정 벡터에 작용할 때, 그 벡터의 방향은 변하지 않고 크기만 변화하는 특별한 벡터입니다. 이는 데이터를 분석하고, 차원을 축소하거나, 이미지 처리를 할 때 매우 유용하게 사용됩니다.

• 고유벡터(Eigenvector)의 크기(length, size)는 정해져 있지 않습니다. 즉, 고유벡터는 방향만을 나타내며, 크기는 그 값에 영향을 미치지 않습니다. 실제로 고유벡터의 크기는 자유롭게 스칼라 배를 해도 여전히 같은 고유벡터로 간주됩니다.

  • 예를 들어, 고유벡터가 $\mathbf{v} = \begin{bmatrix} 1 \\ 2 \end{bmatrix}$라면, $2\mathbf{v} = \begin{bmatrix} 2 \\ 4 \end{bmatrix}$도 동일한 방향을 가지므로 같은 고유벡터로 취급됩니다.

• 실제로 고유벡터를 다룰 때는 주로 단위 벡터(normalized vector)로 변환하여, 벡터의 크기를 1로 맞춰 사용하는 경우가 많습니다. 이를 통해 계산의 일관성을 유지하고 해석을 용이하게 합니다.

고윳값(Eigenvalue)의 정의

고윳값은 행렬이 고유벡터에 작용할 때 벡터의 크기를 얼마나 변화시키는지를 나타냅니다. 이 값은 벡터의 방향을 유지한 상태에서 크기만 변화시키는 비율을 의미합니다.

예시로 이해해봅시다:

• 행렬 $A = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}$에 벡터 $\mathbf{v} = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$를 곱해봅시다.

• 이 결과를 보면, 벡터의 방향은 변하지 않았고 크기만 두 배로 커졌습니다.

  • 이때 고유벡터는 $\mathbf{v} = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$이고, 고윳값은 2입니다.

---

고윳값을 구하는 방법

행렬의 고윳값은 다음과 같은 특성 방정식을 통해 구할 수 있습니다:

이를 변형하면,

• 여기서 $I$는 단위행렬입니다.

이 방정식에서 행렬 $(A - \lambda I)$의 행렬식(determinant)을 0으로 두고 고윳값을 구할 수 있습니다.

예시로 고윳값을 구해봅시다:

• 행렬 $A = \begin{bmatrix} 4 & 1 \\ 2 & 3 \end{bmatrix}$의 고윳값을 구해보겠습니다.

특성 방정식을 세우면:

이를 풀면, 두 개의 고윳값 $\lambda_1 = 5$, $\lambda_2 = 2$를 구할 수 있습니다.

고윳값을 구했다면, 이제 고유벡터(eigenvector)를 구할 차례입니다. 고유벡터는 주어진 고윳값에 대응하는 벡터로, 아래의 과정을 통해 구할 수 있습니다.

---

고유벡터를 구하는 방법

고유벡터는 행렬 방정식을 통해서 구할 수 있습니다.

1. 먼저, 고윳값 $\lambda$에 대해 행렬 방정식 $(A - \lambda I) \mathbf{v} = 0$을 사용합니다.

   • $A$는 원래의 행렬
   • $\lambda$는 고윳값
   • $I$는 단위 행렬
   • $\mathbf{v}$는 구하려는 고유벡터

2. 방정식 $(A - \lambda I) \mathbf{v} = 0$을 풀어서 고유벡터 $\mathbf{v}$를 구합니다.

예시

우리가 구한 고윳값을 사용하는 행렬 $A$는 다음과 같습니다.

• 참고로 도출한 고윳값은 $\lambda_1 = 5$, $\lambda_2 = 2$입니다.

1. 첫 번째 고윳값 $\lambda_1 = 5$에 대한 고유벡터 구하기

• 행렬 $A$에서 첫 번째 고윳값 $\lambda_1 = 5$를 대입하여 $A - 5I$를 계산합니다.

• 이제 행렬 방정식 $(A - 5I) \mathbf{v} = 0$을 풀어야 합니다.

• 이 행렬 방정식을 풀면, 다음과 같은 연립 방정식을 얻습니다:

• 즉, 첫 번째 고유벡터는 $v_1 = v_2$이므로, 첫 번째 고유벡터는 다음과 같은 형태가 됩니다:

2. 두 번째 고윳값 $\lambda_2 = 2$에 대한 고유벡터 구하기

• 두 번째 고윳값 $\lambda_2 = 2$를 대입하여 $A - 2I$를 계산합니다.

• 이제 행렬 방정식 $(A - 2I) \mathbf{v} = 0$을 풀어야 합니다.

• 이 행렬 방정식을 풀면, 다음과 같은 연립 방정식을 얻습니다:

• 따라서 두 번째 고유벡터는 $v_2 = -2v_1$이므로, 두 번째 고유벡터는 다음과 같은 형태가 됩니다:

---

(참고) 아래 사이트에서도 쉽게 행렬 연산 및 고유값 계산하실 수 있습니다!

• 링크: https://matrixcalc.org/ko/

---

3. 기저(Basis)란?

기저(Basis)는 벡터 공간을 구성하는 기본적인 벡터들의 집합을 의미합니다. 벡터 공간에 있는 모든 벡터는 이 기저 벡터들의 선형 결합(즉, 적절한 배수로 더한 것)으로 표현될 수 있습니다. 기저는 공간의 구조를 결정하는 중요한 개념이며, 기저 벡터들은 선형 독립(linearly independent)이어야 합니다.

기저의 조건:

1. 선형 독립성: 기저를 구성하는 벡터들은 서로 선형 결합으로 표현될 수 없어야 합니다. 즉, 하나의 기저 벡터는 다른 기저 벡터들의 조합으로 만들어지지 않습니다.
2. 벡터 공간의 생성(Span): 기저 벡터들을 선형 결합하여 해당 벡터 공간의 모든 벡터를 표현할 수 있어야 합니다.

예시로 이해해봅시다:

• 2차원 평면에서 가장 기본적인 기저는 $\mathbf{e}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$와 $\mathbf{e}_2 = \begin{bmatrix} 0 \\ 1 \end{bmatrix}$입니다.

• 이 두 벡터는 2차원 공간에서 선형 독립적이고, 이 두 벡터를 적절히 조합하면 2차원 공간의 모든 벡터를 만들 수 있습니다.

즉, $\mathbf{e}_1$과 $\mathbf{e}_2$는 2차원 벡터 공간의 표준 기저(Standard Basis)입니다.

기저의 중요성:

기저는 차원 축소, 고유값 분해, 데이터 변환 등의 다양한 분야에서 중요한 역할을 합니다.

• 예를 들어, 고유벡터(Eigenvector)는 특정 행렬에서의 고유한 변환 성질을 반영하는 새로운 기저로 사용할 수 있습니다. 이처럼 기저는 우리가 공간을 이해하고 변환하는 데 기본적인 틀을 제공해줍니다.

---

4. 대각화(Diagonalization)

대각화는 행렬을 그 행렬의 고유벡터(eigenvector)로 구성된 새로운 기저(basis)에서 표현하여, 대각행렬(diagonal matrix)로 변환하는 과정입니다.

• 대각행렬은 매우 간단한 형태로, 대각선 상에 고윳값들이 배치되고 나머지 원소는 모두 0인 행렬입니다.
• 이 변환은 행렬의 특성을 더 명확하게 드러내고, 계산을 효율적으로 할 수 있게 해주는 중요한 기법입니다.

대각화를 수학적으로 표현하면 다음과 같습니다:

여기서,

• $A$는 대각화하려는 원래의 행렬입니다.
• $P$는 행렬 $A$의 고유벡터들로 구성된 행렬입니다. $P$의 각 열은 고유벡터로 이루어져 있습니다.
• $D$는 행렬 $A$의 고윳값들이 대각선에 배열된 대각행렬입니다.
• $P^{-1}$는 행렬 $P$의 역행렬입니다.

이 관계식은 행렬 $A$가 고유벡터들로 구성된 새로운 기저에서 대각행렬로 표현될 수 있음을 나타냅니다. 즉, 고유벡터들을 기준으로 원래의 행렬을 변환하면, 단순한 대각행렬로 바뀌어 더 직관적으로 해석할 수 있습니다.

• 대각화를 직관적으로 설명하면, 복잡한 변환을 단순한 형태로 바꾸는 과정입니다.

예를 들어, 행렬 $A$는 원래 벡터에 복잡한 방식으로 작용하여 방향과 크기를 변화시킬 수 있습니다. 하지만 이 행렬을 고유벡터들의 기저로 변환하면, 행렬 $A$는 대각행렬로 바뀌어 고유벡터 방향으로만 크기를 조정하게 됩니다.

• 즉, 대각행렬은 각 고유벡터의 방향을 유지하면서 크기만을 변화시키는 변환을 의미합니다.

• 그 외에도 아래와 같은 장점들이 존재합니다:

  • 계산의 단순화: 대각행렬은 대각선에 위치한 요소들 외에는 모두 0이기 때문에 행렬의 여러 연산, 특히 거듭제곱 같은 복잡한 계산이 매우 간단해집니다.

    $A^n = PD^nP^{-1} (∵ PP^{-1}=I)$

    여기서 $D^n$은 대각행렬의 대각선 요소들만 각각 거듭제곱하면 됩니다.

  • 행렬의 내재된 성질 파악: 행렬을 대각화하면, 고유벡터와 고윳값을 통해 행렬이 데이터에 미치는 변환 효과를 더 직관적으로 파악할 수 있습니다. 이는 차원 축소, 데이터 분석에서 중요한 역할을 합니다.

예시로 대각화를 해봅시다. 행렬 $A = \begin{bmatrix} 4 & 1 \\ 2 & 3 \end{bmatrix}$가 주어졌다고 가정합시다.

• 이 행렬의 고윳값과 고유벡터를 구하면:

  • 고윳값: $\lambda_1 = 5, \lambda_2 = 2$

  • 고유벡터: $\mathbf{v}_1 = \begin{bmatrix} 1 \\ 2 \end{bmatrix}, \mathbf{v}_2 = \begin{bmatrix} -1 \\ 1 \end{bmatrix}$

• 이 고유벡터들로 구성된 행렬 $P$는:

• 참고로 $P$의 Inverse(역함수)는:

• 그리고 고윳값을 대각선에 배치한 대각행렬 $D$는:

• 이제 대각화된 형태로 표현하면, 다음과 같은 관계식을 얻습니다.

---

5. 닮은 행렬(Similar Matrices)

행렬 $A$와 $B$가 닮았다는 것은 다음과 같은 관계식을 만족한다는 의미입니다:

닮은 행렬은 동일한 고유 성질을 가지며, 같은 고윳값을 공유합니다.

• 따라서 닮은 행렬은 행렬식과 대각합이 동일합니다.

💡 행렬식(Determinant): 행렬의 고윳값들의 곱과 동일합니다. 즉, 행렬의 모든 고윳값을 곱한 값이 그 행렬의 행렬식이 됩니다.

💡 대각합(Trace): 행렬의 고윳값들의 합과 동일합니다. 즉, 행렬의 모든 고윳값을 더한 값이 그 행렬의 대각합입니다.

예시:

• 행렬 $A = \begin{bmatrix} 4 & 1 \\ 2 & 3 \end{bmatrix}$와 대각행렬 $B = \begin{bmatrix} 5 & 0 \\ 0 & 2 \end{bmatrix}$는 닮은 행렬로, 동일한 고윳값을 가집니다.

---

6. 직교 대각화(Orthogonal Diagonalization)

직교 대각화(Orthogonal Diagonalization)는 대칭 행렬(symmetric matrix)을 직교 행렬(orthogonal matrix)을 사용하여 대각행렬(diagonal matrix)로 변환하는 과정입니다.

• 이 과정에서 사용되는 직교 행렬은 대칭 행렬의 고유벡터들로 이루어지며, 대각행렬의 대각선에는 그 행렬의 고윳값들이 위치하게 됩니다.

직교 대각화의 수학적 정의는 다음과 같습니다:

여기서,

• $A$: 대칭 행렬.
• $Q$: 직교 행렬로, 행렬 $A$의 고유벡터(eigenvector)들로 구성됩니다.
• $D$: 대각행렬로, 행렬 $A$의 고윳값(eigenvalue)들이 대각선에 위치합니다.
• $Q^T$: 행렬 $Q$의 전치 행렬, 직교 행렬의 특성상 $Q^{-1} = Q^T$입니다.

💡 대칭 행렬은 $A^T = A$를 만족하는 행렬로, 행렬의 전치 행렬이 원래의 행렬과 같은 구조입니다.

• 예를 들어, $A = \begin{bmatrix} 2 & 1 \\ 1 & 3 \end{bmatrix}$와 같은 형태입니다.
  
  
  • (예시 1) 2x2 대각 행렬: $A = \begin{bmatrix} 2 & 1 \\ 1 & 3 \end{bmatrix}, A^T = \begin{bmatrix} 2 & 1 \\ 1 & 3 \end{bmatrix}$
    
    
  • (예시 2) 3x3 대각 행렬: $B = \begin{bmatrix} 4 & 2 & 3 \\ 2 & 5 & 1 \\ 3 & 1 & 6 \end{bmatrix}, B^{T} = \begin{bmatrix} 4 & 2 & 3 \\ 2 & 5 & 1 \\ 3 & 1 & 6 \end{bmatrix}$

💡 직교 행렬은 전치 행렬이 역행렬과 같은 행렬로, $QQ^T=Q^T Q = I$를 만족합니다.

• 예를 들어, $Q = \begin{bmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$와 같은 형태입니다.
  
  
  • (예시 1)
    2x2 직교 행렬 $Q = \begin{bmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$와 $Q^T = \begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$에 대하여
    
    
    • $Q^T Q$를 계산하면 단위행렬 $I$가 나오는 것을 확인할 수 있습니다.

직교 대각화의 특징

1. 대칭 행렬만 직교 대각화 가능:

   • 대칭 행렬은 항상 직교 대각화가 가능합니다. 즉, 모든 실수 대칭 행렬은 직교 행렬을 사용하여 대각화할 수 있습니다.

2. 직교 행렬 사용:

   • 직교 대각화에서는 고유벡터들로 이루어진 직교 행렬 $Q$를 사용합니다. 이 행렬은 열벡터들이 서로 직교하고, 각각의 길이가 1인 단위 벡터로 이루어져 있습니다.

3. 대각행렬의 고윳값:

   • 대각화된 행렬 $D$의 대각선에는 원래 행렬 $A$의 고윳값들이 배치됩니다.

4. 고유벡터들의 직교성:

   • 대칭 행렬의 고유벡터들은 서로 직교(orthogonal)합니다. 이는 직교 대각화가 가능하게 하는 중요한 성질입니다.

---

7. 특이값 분해 (SVD)

Singular Value Decomposition(SVD, 특이값 분해)는 행행렬을 세 개의 행렬(좌측 특이벡터, 특이값, 우측 특이벡터)의 곱으로 분해하는 강력한 방법입니다. 모든 행렬에 대해 SVD가 가능하다는 점에서 고유값 분해보다 더 일반적인 기법으로, 차원 축소, 추천 시스템, 이미지 압축 등 다양한 분야에 활용됩니다.

SVD는 다음과 같이 표현됩니다:

• $U$는 $A$의 열 벡터들의 직교 행렬로, 좌측 특이벡터(left singular vector)를 포함합니다.
• $\Sigma$는 대각행렬로, 대각선 요소가 행렬 $A$의 특이값(singular values)입니다.
• $V^T$는 $A$의 우측 특이벡터(right singular vector)로 이루어진 행렬입니다.

SVD 분해의 과정

1. 행렬 $A^T A$와 $A A^T$ 구하기

   • SVD 분해를 하기 위해, 먼저 행렬 $A$의 전치 행렬(transpose)를 사용하여 $A^T A$와 $A A^T$를 계산합니다. 이 두 행렬은 각각 우측 특이벡터와 좌측 특이벡터를 구하는 데 사용됩니다.

   • $A^T A$는 $n \times n$ 행렬로, 우측 특이벡터를 구할 때 사용됩니다.

   • $A A^T$는 $m \times m$ 행렬로, 좌측 특이벡터를 구할 때 사용됩니다.

2. $A^T A$와 $A A^T$의 고유값 및 고유벡터 구하기

   • $A^T A$와 $A A^T$의 고유값(eigenvalue)과 고유벡터(eigenvector)를 구합니다.
   • 이 고유값들은 SVD에서 특이값으로 사용되며, 고유벡터는 특이벡터로 사용됩니다.

3. 특이값(Singular Value) 구하기

   • $A^T A$와 $A A^T$의 고유값의 제곱근을 구하면 특이값(singular value)이 됩니다. 이 특이값은 대각 행렬 $\Sigma$의 대각선에 위치하게 됩니다.
   • 특이값은 비음수가 항상 보장되며, 행렬 $A$가 가진 선형 변환의 크기를 나타냅니다.

4. 우측 특이벡터(Right Singular Vectors) 구하기

   • $A^T A$의 고유벡터들을 구하면, 이 고유벡터들은 SVD에서 우측 특이벡터가 됩니다. 이 고유벡터들을 모아서 직교 행렬 $V$를 만듭니다.
   • 우측 특이벡터는 행렬 $A$의 출력 공간을 정의하는 벡터들입니다.

5. 좌측 특이벡터(Left Singular Vectors) 구하기

   • $A A^T$의 고유벡터들을 구하면, 이 고유벡터들은 SVD에서 좌측 특이벡터가 됩니다. 이 고유벡터들을 모아서 직교 행렬 $U$를 만듭니다.
   • 좌측 특이벡터는 행렬 $A$의 입력 공간을 정의하는 벡터들입니다.

6. $A = U \Sigma V^T$로 분해

   • 최종적으로 $A$를 다음과 같이 세 행렬의 곱으로 분해할 수 있습니다:
   $A = U \Sigma V^T$
   • $U$: $m \times m$ 직교 행렬로, 좌측 특이벡터들로 구성됩니다.
   • $\Sigma$: $m \times n$ 대각 행렬로, 특이값들이 대각선에 위치합니다.
   • $V^T$: $n \times n$ 직교 행렬의 전치 행렬로, 우측 특이벡터들로 구성됩니다.

• 링크 : https://www.fun-coding.org/post/recommend_basic6.html

SVD의 응용

1. 차원 축소: PCA(Principal Component Analysis)와 밀접하게 연관된 SVD는 데이터의 주요 특징을 유지하면서 차원을 축소하는 데 사용됩니다.
2. 추천 시스템: 넷플릭스 같은 서비스에서 SVD는 사용자 취향을 예측하는 데 중요한 역할을 합니다.
3. 이미지 압축: 이미지를 표현하는 행렬을 SVD로 분해한 후, 일부 정보만 남겨두고 나머지를 버려 효율적인 압축이 가능합니다.

예시: 2x2 행렬의 SVD

행렬 $A = \begin{bmatrix} 3 & 2 \\ 2 & 3 \end{bmatrix}$의 SVD를 계산해봅시다.

1. $A^T A$ 계산:

   $A^T A = \begin{bmatrix} 3 & 2 \\ 2 & 3 \end{bmatrix}^T \begin{bmatrix} 3 & 2 \\ 2 & 3 \end{bmatrix} = \begin{bmatrix} 13 & 12 \\ 12 & 13 \end{bmatrix}$

2. $A A^T$ 계산:

   $A A^T = \begin{bmatrix} 3 & 2 \\ 2 & 3 \end{bmatrix} \begin{bmatrix} 3 & 2 \\ 2 & 3 \end{bmatrix} = \begin{bmatrix} 13 & 12 \\ 12 & 13 \end{bmatrix}$

3. 고유값 및 고유벡터 계산:

   • 고유값 $\lambda_1 = 25$, $\lambda_2 = 1$ (고유값의 제곱근이 특이값이 됩니다).
   • 고유벡터는 $v_1 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$, $v_2 = \begin{bmatrix} -1 \\ 1 \end{bmatrix}$입니다.

4. 특이값으로 대각행렬 $\Sigma$ 만들기:
   특이값의 제곱근을 구하여 $\Sigma$를 만듭니다.

   $\Sigma = \begin{bmatrix} 5 & 0 \\ 0 & 1 \end{bmatrix}$

5. 좌측 특이벡터 $U$ 구하기:
   좌측 특이벡터 $U$는 $A A^T$의 고유벡터로부터 구해집니다:

   $U = \begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$

6. 우측 특이벡터 $V$ 구하기:
   우측 특이벡터 $V$는 $A^T A$의 고유벡터로부터 구해집니다:

   $V = \begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$

7. 최종 분해:
   이제 행렬 $A$를 다음과 같이 분해할 수 있습니다.

   $A = U \Sigma V^T = \begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix} \begin{bmatrix} 5 & 0 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}$

---

결론

고윳값과 고유벡터는 행렬의 중요한 특성을 나타내며, 이를 활용해 대각화와 닮은 행렬 등을 이해할 수 있습니다. 더 나아가 SVD는 모든 행렬에 대해 적용 가능한 분해 방법으로, 데이터 분석, 차원 축소, 이미지 처리 등 인공지능과 데이터 과학 분야에서 널리 사용됩니다. 이 모든 개념들은 복잡한 행렬 연산을 단순화하고, 데이터를 효율적으로 처리하는 데 매우 중요한 역할을 합니다.

이번 시간에는 딥러닝에서 가장 많이 사용되는 선형대수 개념들을 정리해보았습니다. 오랜만에 수식이 많이 들어간 논문들을 읽으려니까 저도 좀 정리가 필요할거 같더라고요...🤗

도움이 되셨길 바라며 글을 마쳐보겠습니다!