인공지능을 위한 수학 특강

2022년 09월 4주차 (목요일 오후 6시~10시)

인공지능에 필요한 수학
인공지능에 필요한 수학

• 벡터

• 함수

• 행렬

• 미분

• 확률
벡터
벡터

• 숫자열
벡터

• 영어 점수 70점

• 수학 점수 45점

• [ 70, 45 ]
벡터
벡터

• 영어 점수 70점

• 수학 점수 45점

• 국어 점수 60점

• [ 70, 45, 60 ]
벡터
벡터
벡터

철수

영희

길동
벡터

철수

영희

길동
벡터
벡터

철수

영희

길동
벡터
벡터
벡터
벡터
벡터

• https://youtu.be/fNk_zzaMoSs
함수
함수

• 입력

• 출력

• y = f(x)
함수

• 입력

• 출력

• f(x) = ax + b
함수

• 합성함수

• 함수들을 결합하여 새로운 함수를 얻는 것

• y = ( f ∘ g)(x)

• y = f(g(x))
함수

• 합성함수의 성질

• h ∘ (g ∘ f ) = (h ∘ g) ∘ f

−1 −1
• f∘f =f ∘ f = I

• f∘g≠g∘f
함수

• y = f(x)
행렬
행렬

• 직사각형의 틀 안에 넣어놓은 숫자

• 벡터를 여러 개 쌓아 놓은 것
행렬

• 행렬 곱셈
행렬

• https://youtu.be/kYB8IZa5AuE
행렬

• 행렬 곱셈

• y = ABx

• y = A(Bx)

• A(BC) = (AB)C

−1 −1
• AA = A A = I

• AB ≠ BA
행렬

• 행렬 곱셈의 성질
• 합성함수의 성질

• y = ABx
• y = ( f ∘ g)(x)

• y = A(Bx)
• y = f(g(x))

• A(BC) = (AB)C
• h ∘ (g ∘ f ) = (h ∘ g) ∘ f

−1 −1 −1 −1
• AA = A A = I
• f∘f =f ∘ f = I

• AB ≠ BA • f∘g≠g∘f
행렬

함수 행렬입력 벡터 출력 벡터
함수

• 입력

• 출력

• f(x) = ax + b

• https://setosa.io/ev/image-kernels/
행렬

• https://youtu.be/XkY2DOUCWMU
미분
미분

• 영향력

• 입력이 출력에 미치는 영향

미분
미분
미분
미분
미분
미분
미분

• f: 식물 함수

• x: 햇빛, 바람, 물

• y: 식물의 상태

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

미분

• f: 식물 함수

• x: 햇빛, 바람, 물

• y: 식물의 상태

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 병듦 = 식물 함수(1, 1, 1)
미분

• f: 식물 함수

• x: 햇빛, 바람, 물

• y: 식물의 상태

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 병듦 = 식물 함수(1, 1, 0)
미분

• f: 식물 함수

• x: 햇빛, 바람, 물

• y: 식물의 상태

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 병듦 = 식물 함수(1, 0, 1)
미분

• f: 식물 함수

• x: 햇빛, 바람, 물

• y: 식물의 상태

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 건강 = 식물 함수(0, 1, 1)
미분

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 병듦 = 식물 함수(1, 1, 1)

• 병듦 = 식물 함수(1, 1, 0)

• 병듦 = 식물 함수(1, 0, 1)

• 건강 = 식물 함수(0, 1, 1)
미분
미분

• 식물의 상태 = 식물 함수(햇빛, 바람, 물)

• 병듦 = 식물 함수(1, 1, 1)

• 병듦 = 식물 함수(1, 1, 0)

• 병듦 = 식물 함수(1, 0, 1)

• 건강 = 식물 함수(0, 1, 1)
확률
확률
확률

• 주사위 A를 던졌을 때 2가 나올 확률

• P(A = 2)
확률

• 주사위 A, 주사위 B

• P(A = 2)

• P(A = 2,B = 3)

• P(B = 3 ∣ A = 2)
확률

• 주사위 A, 주사위 B

• P(A = 2) marginal (주변)

• P(A = 2,B = 3) joint (결합)

• P(B = 3 ∣ A = 2) conditional (조건부)

확률

1 2 3 4 5 6

3
B
4

6
확률

• P(A = 2)
A

1 2 3 4 5 6
• marginal (주변)
1

3
B
4

6
확률

• P(A = 2,B = 3)
A

1 2 3 4 5 6
• joint (결합)
1

3
B
4

6
확률

• P(B = 3 ∣ A = 2)
A

1 2 3 4 5 6
• conditional (조건부)
1

3
B
4

6
확률

• conditional (조건부)

P(A = 2,B = 3)
• P(B = 3 ∣ A = 2) =
P(A = 2)
확률

P(A, B)
• P(B ∣ A) =
P(A)
확률

P(A, B)
• P(B ∣ A) =

P(A)
• P(B ∣ A)P(A) = P(A, B)
확률

P(A, B) P(B, A)
• P(B ∣ A) =

• P(A ∣ B) =

P(A) P(B)
• P(B ∣ A)P(A) = P(A, B)
• P(A ∣ B)P(B) = P(B, A)
확률

P(B ∣ A)P(A)
• P(A ∣ B) =
P(B)
확률

• A 사건, B 사건

• H 가설, D 데이터
확률

P(B ∣ A)P(A)
• P(A ∣ B) =

P(B)
P(D ∣ H)P(H)
• P(H ∣ D) =
P(D)
확률

• H 가설, 원인, 입력, 모델

• D 데이터, 결과, 출력, 관찰

확률

• H 가설, 원인, 입력, 모델

• D 데이터, 결과, 출력, 관찰

• P( D=양성 | H=감염 )

• P( D=사과 | H=미안함 )

• P( D=요통 | H=비 )
확률

• H 가설, 원인, 입력, 모델

• D 데이터, 결과, 출력, 관찰

• 역방향 확률

• P( H=감염 | D=양성 )

• P( H=미안함 | D=사과 )

• P( H=비 | D=요통 )
확률

P(B ∣ A)P(A)
• P(A ∣ B) =

P(B)
P(D ∣ H)P(H)
• P(H ∣ D) =
P(D)
확률

P(D ∣ H)P(H)
• P(H ∣ D) =

P(D)
•
확률

•
확률

•
확률

P(D ∣ H)P(H)
• P(H ∣ D) =

P(D)
• P(H ∣ D) ≈ P(D ∣ H)P(H)

•
확률

사후 확률 우도 (likelihood)

• P(H ∣ D) ≈ P(D ∣ H)P(H)

• 사전 확률
인공신경망에서 수학 찾기
인공지능에 필요한 수학

• 벡터

• 함수

• 행렬

• 미분

• 확률
인공신경망에서 수학 찾기
인공신경망에서 수학 찾기

• 벡터 -> 데이터

• 함수

• 행렬 -> 데이터, 연산

• 미분

• 확률
인공신경망에서 수학 찾기
인공신경망에서 수학 찾기

• 벡터 -> 데이터

• 함수 -> 모델 자체

• 행렬 -> 데이터, 연산

• 미분

• 확률
인공신경망에서 수학 찾기

random
weight
0.2
1
0.3

255 0.4

210
인공신경망에서 수학 찾기

random
weight
0.2
1
0.3

255 0.4

210
인공신경망에서 수학 찾기

• 벡터 -> 데이터

• 함수 -> 모델 자체

• 행렬 -> 데이터, 연산

• 미분 -> 모델 개선

• 확률
인공신경망에서 수학 찾기

• 벡터 -> 데이터

• 함수 -> 모델 자체

• 행렬 -> 데이터, 연산

• 미분 -> 모델 개선

• 확률 -> 모델 개선 원리
인공신경망에서 수학 찾기

P(D ∣ H)P(H)
• P(H ∣ D) =

P(D)
•
인공신경망에서 수학 찾기