인공지능을 위한 선형대수학 기초

인공지능(AI)을 위한 선형대수학 핵심 정리

1. 선형대수학의 정의와 역할

• 선형대수학이란? 벡터, 행렬 및 이를 다루는 선형 변환을 연구하는 수학 분야임.

• AI에서의 역할: 모든 데이터(이미지, 텍스트)를 행렬로 변환하여 처리함. 딥러닝 알고리즘의 작동 원리를 이해하는 데 필수적임.

• NumPy와의 관계: NumPy는 선형대수학의 개념을 파이썬에서 가장 빠르고 효율적으로 구현할 수 있게 함.

---

2. 선형대수학의 기본 구성 요소 (스칼라, 벡터, 행렬)

국문 표현	영어 표현	정의 (개조식)
스칼라	Scalar	방향 없이 크기만 가진 단일 숫자임.
벡터	Vector	방향과 크기를 모두 가진 숫자의 1차원 배열임.
행렬	Matrix	벡터가 모여 행과 열을 이루는 2차원 배열임.
텐서	Tensor	행렬을 일반화한 개념으로, 3차원 이상의 배열임.

---

3. 선형대수학 기초 연산 및 특징

연산 구분	연산 특징	NumPy 연관성
기본 연산	두 행렬의 차수(크기)가 같아야 연산 가능함. 같은 위치의 원소끼리 연산함.	브로드캐스팅 덕분에 크기가 다른 배열(스칼라 등) 간에도 쉽게 연산 가능함.
상수 곱셈	상수(스칼라)가 행렬의 모든 원소에 곱해짐. 행렬의 차수는 변하지 않음.	스칼라가 배열 전체에 브로드캐스팅되어 적용됨.
행렬 곱셈	비가환성(Not Commutative)이 성립함 (일반적으로 $\text{A} \times \text{B} \neq \text{B} \times \text{A}$).	A @ B 또는 np.matmul(A, B) 사용함.
곱셈 조건	앞 행렬의 열 수와 뒤 행렬의 행 수가 같아야 곱셈이 성립함.	A(m x n)과 B(n x q)의 곱셈 결과는 C(m x q)가 됨.
주의 사항	A * B는 행렬 곱셈이 아닌, 같은 위치 원소끼리 곱하는 요소별 곱셈(Hadamard Product)임.	일반적인 행렬 곱셈과 혼동하지 않도록 주의함.

---

4. 핵심 특수 행렬 개념

국문 표현	영어 표현	정의 및 특징 (개조식)	NumPy 함수
단위 행렬	Identity Matrix ($\text{I}$)	숫자 '1'과 같은 역할을 하는 정방 행렬임. 대각선은 1, 나머지는 0임.	np.eye(n)
전치 행렬	Transpose Matrix ($\text{A}^T$)	행렬의 행(Row)과 열(Column)을 서로 바꾼 행렬임.	arr.T 또는 np.transpose(arr)
역 행렬	Inverse Matrix ($\text{A}^{-1}$)	행렬 $\text{A}$에 곱했을 때 단위 행렬($\text{I}$)이 나오도록 하는 행렬임. 모든 행렬이 가지지는 않음.	np.linalg.inv(arr)

---

5. NumPy와 선형대수학의 연관성 요약

• ndarray의 역할: NumPy의 ndarray는 선형대수학의 행렬과 벡터를 구현한 핵심 객체임.
• 선형대수 모듈: NumPy는 np.linalg 모듈을 통해 역행렬, 행렬식 등 복잡한 선형대수 계산 함수를 제공함.
• 연산 구현: np.dot, @, np.matmul 등의 메서드는 선형대수학의 행렬 곱셈 원리를 바탕으로 구현됨.

참고 영상: [KOOC] AI 비전공자를 위한 기초 수학