SUBORATORY

#HTML ​ ​ ☆ html은 프로그래밍 언어가 아니다 ★ html은 연산이나 통신같은 기능을 수행할 수 없다 ☆ html은 단순히 웹페이지의 겉모습과 구조를 담당한다 ​ ​ ★ visual studio code에서 html파일을 열고 ! + TAB 또는 ! + ENTER 입력시 html 의 기본 구조 템플릿을 생성한다 ☆ 기본 구조는 내용 형식을 가지며 html은 이러한 태그들을 순서에 맞게 조합한 문서임 ★ html 문서는 문서의 특성을 명시하는 태그와 로 끝난다 ☆ html에서 태그는 크게 head 태그와 body 태그로 나눌 수 있다 ★ 외부자료에 대한 참조(CSS, JS), 웹사이트에 대한 정보는 head 태그에 들어간다 ☆ 실제 화면의 내용은 body 태그에 들어간다 ​ ​ HTML Basi..

#파이썬 ​ https://docs.python.org/3.10/library/random.html random — Generate pseudo-random numbers — Python 3.10.6 documentation random — Generate pseudo-random numbers Source code: Lib/random.py This module implements pseudo-random number generators for various distributions. For integers, there is uniform selection from a range. For sequences, there is uniform selection of a ran docs.python.org ​..

#HTML ​ 웹 페이지에 이미지 삽입하기 는 end tag가 없는 empty tag이다. 형식을 가진다. ​ 예시코드는 다음과 같다. ​ width와 height 속성을 통해 이미지 너비와 높이를 조절할 수 있다. 기본단위가 pixel로 설정되어 있기 때문에 단위없이 임의의 양의 정수를 입력해도 되고 100px와 같이 px단위를 붙여줘도 동일하게 작동한다. 기본적으로 width와 height 중 하나만 입력될 경우 비율이 유지되고 비율과 다르게 입력시 알맞게 이미지 크기가 변형된다. ​ ​ 지원되는 이미지 파일의 확장자는 다음과 같다. ​ ​ ​ ​ loading 속성을 사용하여 이미지가 로딩되는 시점을 조절할 수도 있다. ​ ​ ​ ​ 웹 페이지에 하이퍼링크 연결하기 태그는 다른 웹 페이지, 파일, ..

#머신러닝 ​ ​ 머신러닝에서는 일반화 성능을 향상시키는 것 즉 테스트 오류를 최소화하는 것이 주된 목표입니다. Cross validation은 validation set을 여러 개 뽑아 각각에 대한 validation error를 추출해 그것의 평균이 가장 작도록 하는 모델을 찾아나가는 것입니다. ​ ​ ​ 용어 정리 1. Overfitting(과적합) : 학습 정확도는 상당히 높은 반면 실제 테스트시 정확도가 상당히 떨어지는 문제 학습을 위한 데이터는 한정적이기 때문에 학습 정확도가 100%가 되더라도 새롭게 주어지는 테스트 샘플에 대한 정확도는 제법 괴리가 있을 수 있다는 것. Decision tree에서 Depth 즉 트리의 길이를 최대한으로 하였을 때 학습 성능은 100%가 되지만 계산량이 늘어..

#머신러닝 ​ ​ 머신러닝이란 데이터에 대한 학습을 수행하는 알고리즘에 대한 학문입니다. ​ 데이터 x가 있다고 할 때 이것을 함수 f 에 넘기면 데이터 x의 예측값 혹은 x를 추론하거나 이해하는 데 도움이 되는 좀 더 압축된 x의 표현을 아웃풋으로 내보냅니다. 이 함수 f에 대한 탐구, f의 최적화 등이 머신러닝의 주요 주제입니다. ​ ​ 머신러닝을 사용해 문제를 해결하기 전 지도(Supervised) 혹은 비지도(Unsupervised) 알고리즘을 적용해야 하는 문제인지 분류할 수 있습니다. ​ ​ ​ ​ 1. Supervised learning 지도학습(Supervised learning; 지도 알고리즘)은 알고리즘의 트레이닝을 수행할 때 라벨에 대한 정보를 일부 제공할 때를 의미합니다. 알고리즘은..

#선형대수학​ 1. Introduction 최소제곱법은 주어진 데이터와의 오차를 최소화하는 직선을 구하는 방법입니다.​ ​​ 위 그림은 주어진 5개의 데이터에 대해 두 개의 점을 지나며 오차를 줄이는 적당한 직선(linear function)을 그린 것입니다.​ 그러나 몇 개의 점을 지난다고 해서 오차를 완벽히 줄일 수 있는 것은 아닙니다.​ ​​​2. Sum of the square errors​ ​    위 그림은 주어진 데이터(xi, yi)에 대해 그린 직선 y = f(x) 과의 오차 ei를 시각적으로 표현하였습니다. ei 는 yi 에서 선형함수의 함숫값 f(xi) 을 뺀 것의 절댓값으로 정의됩니다.​​ y = f(x)가 y = ax + b 형태로 표현된다고 합시다.​ 이때 error(distanc..

#선형대수학 ​ ​ 고윳값과 고유벡터에 대한 내용은 아래 글 참조 바랍니다 https://subprofessor.tistory.com/58 [선형대수학] 고윳값, 고유벡터, 고유공간 (Eigenvalue, Eigenvector, Eigenspace) #선형대수학 ​ ​ 1. 고윳값과 고유벡터의 정의 n x n 행렬 A에 대해 위 등식을 만족하는 λ(lambda)와 x를 각각 고윳값(Eigenvector), 고유벡터(Eigenvector)라 합니다 ​ ​ 위와 같은 2 x 2 행렬을 생각해봅. subprofessor.tistory.com https://subprofessor.tistory.com/57 [선형대수학] 특성방정식, 고윳값과 고유벡터 구하기 #선형대수학 ​ 1. 특성방정식 (Characteris..

#미분적분학 ​ 1. Definition 다변수함수에서 x, y, z 에 대한 편미분도 가능하지만 임의의 벡터를 기준으로 도함수를 구할 수도 있습니다. 이것을 방향도함수(Directional Derivative)라 부르며 다음과 같이 정의됩니다. ​ ​ ​ ​ 점 P에서 f(x,y,z)의 벡터 b 방향으로의 방향도함수 Dbf 또는 df/ds 는 식 (2)와 같이 정의됩니다. 이때 Q는 P를 지나며 b를 방향벡터로 갖는 직선 L에서 P로 다가가는 움직이는 점이고 s는 P와 Q사이의 거리입니다. ​ ​ ​ 방향도함수의 계산은 gradient 를 이용합니다. 이때 b는 단위벡터입니다. ​ ​ 임의의 크기를 가지는 벡터에 대한 방향도함수의 계산은 벡터의 크기로 나누어주는 것으로 정의됩니다. ​ ​ ​ ​ ​ 다..

#공업수학 #라플라스변환 #편미분방정식 ​ ​ 지난 시간에 이어 편미분 방정식 예제를 풀어봅시다. 편미분방정식을 라플라스 변환으로 푸는 기본개념은 아래 링크 참조 바랍니다. ​ ​ https://subprofessor.tistory.com/17 [공업수학] 6. 편미분 방정식 : 라플라스 변환 해법 이전에 포스팅한 라플라스 변환은 f(t)에 관한, 즉 일변수 t에 대한 상미분방정식을 풀기 위한 해법으로써 소개되었다. 대수방정식을 거쳐 해를 구한다는 다소 편리한 이 라플라스 변환은 상미 subprofessor.tistory.com ​ ​ (예제) ​ ​ ※1차원 파동방정식의 모델링은 생략하겠습니다※ ​ 지난 번에 설명했듯, 경계조건(Boundary Condition)은 정의역(위 문제에서는 x)의 경계에서..

수학 가형과 나형에서 공통적으로 「실수 전체에서 미분가능한 함수 f(x)」 라던지, 「f(x)가 실수 전체에서 미분가능할 때」 같은 문장이 종종 등장한다. 공부를 제대로 하지 않은 학생은 이 문장을 그냥 "이 말은 맨날 나오네 문제 분량 채울 게 없나봐?" 혹은 "당연한 거 아냐? 어쩌라고!" 라고 생각하고 넘어가거나 생각조차 하지 않고 그냥 넘어가버린다. 하지만 이 문장은 정말 정말 정말 정말 중요한 문장이다. 문제를 푸는 어떤 "길"이 있다고 하자. 답으로 이르는 이 "길"은 중간중간에 답까지 잘 찾아갈 수 있도록 하는 중간중간에 "조건"이라는 장치가 있다. 일종의 표지판의 역할을 하는 "조건"을 찾지 못한다면 답까지 도달할 수 없다. "조건"들은 문제 곳곳에 처음부터 끝까지 보물찾기 마냥 숨어있다...