https://hoohdini.github.io/감자의 DS세상 고군분투 2026-04-19T17:46:09+09:00 PARK SUNG HA https://hoohdini.github.io/ Jekyll © 2026 PARK SUNG HA /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-02-14T00:00:00+09:00 2026-02-15T00:03:58+09:00 https://hoohdini.github.io/posts/BS-SM/ PARK SUNG HA

Sampling 1.고유값 분해(EVD)와 행렬의 대각화 대각화? → 정방행렬 $A∈R^{n×n}$에 대하여, 가역행렬 $P$ 와 대각행렬 $D$ 를 이용해 $A=PDP^{−1}$로 표현하는 과정 대각화의 필요충분조건: 행렬 $A$ 가 대각화 가능하기 위해서는 반드시 서로 선형 독립인 $n$ 개의 고유벡터가 존재해야 함. 구조적 의미: 고유벡터 행렬 $Q$ 와 고유값 대각행렬 $Λ$ 를 이용한 $A=QΛQ^{−1}$분해는 선형 변환 $A$ 를 고유한 방향성(벡터)과 그 크기(스칼라)로 완전히 분리하여 분석할 수 있게 한다. 고유값 분해(EVD)의 한계 대칭인 정방행렬에 국한되어 적용된다 반면, 특이값 분해(SVD)는 행렬의 형태나 대칭성에 관계없이 모든 m×n 직사각 행렬에 적용 ...

2026-02-11T00:00:00+09:00 2026-02-11T00:57:35+09:00 https://hoohdini.github.io/posts/Git/ PARK SUNG HA

Git/Github basic 1. Git 설치부터 해봅시다 윈도우 git windows 다운받으면 됨 —> 기본 브랜치 이름 main으로 (선택) 맥(윈도우도 보셈) homebrew 들어가서 설치명령어 복붙 후 터미널에다가 붙이고 실행 구글에 검색해서 잘 설치합시다 그리고 터미널에다가, brew install git git 설치하고, git 입력해서 버전이 나온다면 잘 설치가 된 것 git config --global init.defaultBranch main 윈도우에서 main으로 브랜치 명 정해주는거랑 같은 짓임 git config --global user.email "본인이메일" git config --global user.name "본인이름" 보통 이...

2026-02-09T01:00:00+09:00 2026-02-09T01:37:03+09:00 https://hoohdini.github.io/posts/SS-LAB/ PARK SUNG HA

Linear Algebra Basic [Linear Algebra] Basic Concepts & Matrix DecompositionDate: 2026-02-05 Topic: Linear Algebra for Data Science Reference: Yonsei Data Science Lab (DSL) Lecture Notes ** 1. Linear Algebra Basic 1.1 Vector & Norm 벡터(Vector)는 크기(Magnitude)와 방향(Direction)을 가지는 양이다. 데이터 사이언스에서 벡터의 ‘크기’를 측정하는 척도로 Norm을 사용한다. Definition of Norm 함수 $|\cdot|: \mathbb{R}^n \rightarrow \mat...

2026-02-08T17:00:00+09:00 2026-02-09T00:27:09+09:00 https://hoohdini.github.io/posts/DL-RL/ PARK SUNG HA

Deep Reinforcement Learning 1. Foundation of Reinforcment Learning 정적인 데이터셋 $(X,Y)$ 를 학습하여 예측하는 지도 학습과는 다르게, 모델(Agent)가 동적인 환경과 상호작용하여 학습하는 방식 목표: 에이전트가 활동 공간에서 행동을 취하고, 그 결과로 보상을 받는다. 미래의 보상 총합을 최대화하는 것이 궁극적인 목표. 데이터와 라벨(이상적인 목표치) 대신 action-state pairs를 데이터로 사용한다. 에이전트가 행동($a_i$)을 취함 환경은 행동에 대한 반응으로 새로운 관측($s_{t+1}$)과 보상($r_t$)을 반환 종료시점 $T$까지 반복하여 누적 보상을 최대화하는 방향으로 학습한다. Return /...