🧪수학

Numpy의 dot연산을 공부하며, 2차원 배열과 행렬 개념에 대한 공부의 필요성을 느끼게 되었고 해당 부분의 선형대수(행렬) 개념에 대해 학습하게 되었습니다. 행렬 개념과 수반되는 용어 정리, 방정식의 해를 구하는 용도로써의 행렬, 그리고 행렬의 연산을 개념적으로 익

신경망을 학습할때, 마라미터 하나의 변화가 전체에 미치는 영향을 구하기 위해 편미분 개념을 사용합니다. 편미분에서는 일변수 함수 z = f(x)가 아닌 다변수 함수 z = f(x, y)에서 미분을 정의합니다.

이변수 함수는 값이 x, y 두가지 변수에 의해 결정되는 함수입니다. 이변수 함수 z = f(x, y)는 좌표평면 위의 점(x, y)를 실수 z로 대응시킨다고 할 수 있습니다. 좌표평면 상에 이변수 함수 z = f(x, y)를 바로 그릴 수 없는 이유는 x, y, z

이변수 함수는 무수히 많은 경로로 해당 위치에 가까워질 수 있음으로 극한값이 존재하려면 하나의 반례라도 존재해선 안됩니다. 즉, 극한값이 존재하려면 이변수 함수 f(x, y)에서 점 (x, y)가 (x1, y1)로 가까워질때, 모든 경로에서 f(x, y)의

다변수 함수에서도 마찬가지로 합성함수 f(X(x, y))를 살펴보면, 합성함수 f(X(x, y))의 정의역으로 X(t) = (x(t), y(t))나 X(u, v) = (x(u, v), y(u, v)) 등의 함수가 필요하고, 이와 같은 함수가 결국 벡터함수임을 알 수

역시 방향도함수를 정의하는 과정에서 방향(u), 한 점(P), 함수(f) 세가지 정보가 필요함을 알 수 있습니다. 어떤 방향으로 기울기를 구할 것인지(방향 미분계수를 구할 것인지) 단위벡터(u)를 통해 알 수 있는 것입니다.