개인정리

TCP/IP란? Transmission Control Protocol/Internet Protocol의 약자 ARPANET에 의해 처음 개발 각각의 네트워크에 접속되는 호스트들은 고유의 주소를 가지고 있어서 자신이 속한 네트워크 뿐만 아니라 다른 네트워크에 연결되어 있는 호스트까지도 서로 데이터를 주고받을 수 있도록 만들어짐 이 때 사용되는 고유 주소는 Internet Network Information Center(InterNIC)란 단체에서 관리 분배 IP 주소란? 인터넷을 사용하기 위한 전세계에서 유일하고 고유한 주소 하지만 인터넷을 사용하는 사람들은 점점 늘어나고 따라서 각기 다른 주소를 가지기 힘들어졌기 때문에 내부 네트워크에서는 공인되지 않은 IP 주소를 사용하고, 인터넷으로 나갈 때만 공인 주소를 가지고 나가는 방식인 NAT(Network Address Translation)이나 동일한 IP 주소를 가지고 여러 명이 인터넷에 접속하면서 포트 넘버 만을 바꾸는 PAT 등이 사용되고 있음 전 세계에 이러한 공인 주소를 나눠주고 관리해주는 기관이 NIC(Network Information Center) 32개의 이진수로 만들어짐 ex : 210.218.150.25 = 1101 0010.1101 1010.1001 0110.0001 1001 논리 AND 연산 1100 1111과 1111 0000을 AND 연산하면 1100 0000 둘 다 1이어야 1이 되고 하나라도 0이면 0으로 변환 서브넷 마스크에 자주 사용 DHCP란? Dynamic Host Configuration Protocol 옛날엔 부서를 이전하는 일이라도 생기면 직접 아이피를 배정하고 기존에 쓰던 아이피를 찾아와야 했으나 아이피를 자동으로 배정해주는 DHCP가 생긴 후로 해결 DHCP는 클라이언트 PC가 켜지면 네트워크에 브로드캐스트를 뿌리고 클라이언트에게 관리 중인 IP 주소 중 하나를 자동 할당 PC는 DHCP 클라이언트 구성만 가지고 있다가 DHCP 서버가 있는 네트워크에 연결만 하면 자...

LAN  Local Area Network 어느 한정된 공간에서 네트워크를 구성 WAN Wide Area Network 멀리 떨어진 지역을 서로 연결하는 경우 이더넷(Ethernet) 우리나라에서 사용하는 네트워킹 방식의 대부분 CDMA/CD 프로토콜 - Carrier Sense Multiple Access/Collision Detection 속도는 100 / 1,000Mbps Carrier Sense - 우리 네트워크 자원을 사용하는 PC나 서버가 있는지 확인 Multiple Access(다중 접근) - 2개 이상의 PC나 서버가 동시에 네트워크에 데이터 보냄 여기서 충돌(Collision) 발생 - 데이터를 전송했던 PC들은 랜덤(Random), 우리가 느끼지 못할 만큼 짧은 시간 대기 후 다시 데이터 전송 너무 많은 충돌은 통신 자체가 불가능하도록 만듦 토큰링 방식 - IBM이 처음 개발, 한 네트워크에서 오직 한 PC, 토큰을 가진 PC만 네트워크에 데이터 전송 가능 하나의 토큰을 여러 PC가 번갈아가면서 가지기에 충돌이 발생하지 않음 단점 - 다른 PC들이 전달할 데이터가 없어도 계속 옆으로만 전달되기에 기다려야 함 1990년대 초반까진 이더넷보다 안정된 기술로 주장되었다가 이더넷의 발전으로 사라지는 추세 속도는 4Mbps /16Mbps 통신 케이블 - 광케이블, UTP 케이블, 동축 케이블 등 장비와 장비 사이의 연결을 담당 TP - Twisted-pair, 두 가닥으로 꼬인 선 UTP - 제일 많이 사용되는 케이블, Unshield TP로 감싸지 않은 케이블 STP - 케이블의 주위를 절연체로 감싸고 EMI(노이즈)를 줄임으로써 가격이 좀 더 비싸고 성능 향상, 주로 토큰링 방식에 사용 카테고리 - UTP 케이블의 전송 가능 대역폭에 따라 분류한 종류, 번호가 높을수록 높은 대역폭 지원으로 속도 향상 기대 CAT1 - 주로 전화망 사용, 데이터 전송엔 부적합 CAT2 - 데이터를 최대 4Mbps의 속도로 전송 CAT3 - 10 Base T ...

 16강 독립사건이란? 한 사건 A가 다른 사건 B가 일어날 확률에 대하여 어떠한 영향도 주지 않을 때 성립 P(B | A) = P(B | Ac) = P(A) 사건 A가 사건 B가 일어날 확률에 대해 영향을 주면 서로 종속 P(B | A) = P(A ∩ B) / P(A) P(A ∩ B) = P(A) P(B)  곱사건의 확률과 각 사건이 발생할 확률의 곱이 같을 때 두 사건은 독립 개념1 P(B) = x P(A∪B) = P(A) + P(B) - P(A∩B) 4/5 = 1/3 + x - 1/3x (12 - 5) / 15 = 2/3x x = 7/15 X 3/2 = 7/10 답 : 3/10 개념2 P(B) = 2/3 P(A | B) =  1/2 P(A∩B) / P(B) = 1/2 독립사건이므로 P(A) = 1/2 (실제로 계산해도 그렇게 나옴) 2/3 X 1/2 = 1/3 개념3 P(A) = 3/4  독립사건이므로 교집합은 곱셈과 같음 P(A) X (B) = 1/2 3/4x = 1/2 x = 1/2 X 4/3 x = 2/3 17강 독립시행 - 각 시행의 결과가 다른 결과에 영향을 주지 않는 것 동일한 조건에서 어떤 시행을 여러 번 반복할 때 각 시행이 다른 시행에 영향을 주지 않음(매회 사건이 서로 독립) 개념1 6C5 X 1/2 5제곱 X  1/2 = 3/32 개념2 1 - P(0) 1 - 4C0 X 1/2 0제곱 X 1/2 4제곱 = 15/16 개념3 3C1 X 1/6 1제곱 X 5/6 2제곱 25/72 개념4 P1 = 4C2 X 2/3 2제곱 X 1/3 2제곱 = 6 X 4/9 X 1/9 = 8/27 P2 = 3C2 X 1/2 2제곱 X 1/2 1제곱 = 3 X 1/4 X 1/2 = 3/8

사건 A가 일어날 확률 - P(A) = n(A) / n(S) 합사건 - A∪B, 사건 A 또는 B가 일어나는 사건 교사건 - A∩B, 사건 A와  B가 동시에 일어나는 사건 배반사건 - A와 B가 동시에 일어나지 않을 때 A∩B = 공집합 A의 여사건 - 사건 A에 대하여 A가 일어나지 않는 사건, 기호 : Ac 덧셈정리 P(A∪B) = P(A) + P(B) - P(A∩B) 두 사건 A, B가 서로 배반사건이면 P(A∩B) = 0이므로 P(AUB) = P(A)+P(B) 여사건의 확률  P(Ac) = 1 - P(A) (A∩B)c = Ac∪Bc, (A∪B)c = Ac∩Bc  드모르간 법칙 성립 P(Ac∪Bc) = 1 - P(A∩B), P(Ac∩Bc) = 1 - P(A∪B) 개념1 P(A∩Bc) = P(A-B) = 1/4 P(Ac∪Bc) = P(A∩B) = 1/5 둘이 더해서 9/20 그걸 여집합으로 하면? 11/20 개념2 1/6 + B = 1/2 B = 1/3 개념3 P(A∩Bc) = P(A-B) = 1/6 P(Ac∩B) = P(B-A) = 1/6 P(A∪B) = P(A+B) = 2/3 2/3 = 1/6 + 1/6 + x x = 1/3 개념4 P(Ac∩B) = P(B-A) = 공집합 B는 A의 부분집합 B = 3/10 3/5 - 3/10 = 3/10 15강 사건 A가 일어났을 때, 사건 B의 조건부 확률 = P(B | A) = n(A∩B) / n(A) 조건부확률은 전제조건이 생기면서 표본공간 자체가 축소되는 게 핵심 곱셈정리 P(A | B) = P(A∩B) / P(B) 에서 표현하면 P(A∩B) = P(A)P(B | A) = P(B)P(A | B) = 사건 A와 B가 동시에 일어날 확률은 (사건 A가 일어날 확률)X(사건 A가 일어났을 때, 사건 B가 일어날 확률) 예제1 A : a+b=5 Bn : |a-b| = n-1 A - (1, 4), (2, 3), (3, 2), (4, 1) B - 0, 1, 2, 3 0만 경우에 해당됨 ...

이항정리에서 괄호는 상자, 제곱은 상자의 갯수 각 항은 이항정리의 빌반항 nCr = 이항계수 (x+1)의 n제곱  = xn xn-1 xn-2 x2 x 1 = nC0 nC1 nC2 nCn-2 nCn 이항정리 성질 x = 1 대입하면 2의 n제곱 = nC0 + nC1 + nC2 + nC3 + ... + nCn 총합 = 연속합 교대합 =  x.= -1을 대입하면? nC0 - nC1 + nC2 - nC3 부호 교대 짝수합 = 2n제곱 = 2 X (nC0 + nC2 + nC4 + ...) 홀수합 = 2n제곱 = 2 X (nC1 + nC3 + nC5 + ...) 절반합 = n이 홀수면 n+1/2 개의 항의 합과 후반부 n+1/2개의 항의 합이 2n-1제곱으로 같음 홀수 번째 합의 계수들의 합 = 짝수 번째 계수들의 합 = 이항계수의 총합의 절반 이항정리의 규칙 - 파스칼 삼각형 개념1 1. nCr + nCr+1 = n+1C(큰 쪽 사용) 7C3 2. 8C3+8C4 9C4 3. 4C4=1=5C5 5C5+5C4=6C5 6C5+6C4=7C5 7C5+7C4=8C5 8C5+8C4=9C5 개념2 1. 6C0+6C1+6C2+6C3+6C4+6C5+6C6 = (1+1)6제곱 = 64 2. 7C0과 7C7은 각각 1과 같고 둘이 빠졌으니 2의 7제곱 - 2 = 126 3. nC0부터 nCn까지 부호가 교대로 나타나면 모두 더했을 때 0 nCr과 nCn-r은 같기 때문 4. 6C0 ... 6C6 짝수 형태기 때문에 2의 6제곱 / 2 = 32 개념4 2차항의 계수 구하기 2제곱부터 2차항의 계수가 나옴 (1+x)2제곱 = 2C2 = 3C3 + (1+x)3제곱 = 3C2 + (1+x)4제곱 = 4C2 4C3 + 4C2 = 5C3  5C3 + 5C2 = 6C3 최종적으론 12C3 = 12 X 11 X 10 / 3X2 = 220 13강 수학적 확률 = 사건 A가 일어나는 경우의 수 / 일어날 수 있는 모든 경우의 수 확률은 경우의 수 들 간의 비율 집합과의 관련성 시행 ...

기계학습에 필요한 세 가지 수학 - 목적함수 - 최적화 알고리즘 - 제어 사람 - 데이터 수집 수학은 선형대수, 확률과 통계, 최적화 3차원 이상의 구조를 가진 숫자 배열 - 텐서 스칼라(0차원 텐서), 벡터(1차원), 행렬(2차원) 전치행렬 - transpose 연산을 통해 가로 벡터 형태의 벡터형태로 나타낼 수 있음 행렬 - 분배법칙과 결합법칙은 성립하지만 교환버칙은 비성립 내적 - 차원이 같은 벡터에서 스칼라 값을 얻을 수 있는 연산(dot) 역행렬 - 정사각행렬에 대해서만 정의 확률분포 - 다수의 변수에 관한 확률분포 - 동시에 x = x이고 y = y일 확률 베이즈 정리 - x와 y가 같이 일어날 결합확률 = y와 x가 같이 일어날 결합확률 기계학습에서 최대 우도법 신경망이 784 - 100 - 100 - 100 - 10 구조일 때 784 * 100 + 100 * 100 + 100 * 100 + 100 * 10 = 99400(바이어스 무시) 엔트로피 - 확률분포의 무질서도 또는 불확실성 측정 최적화 목적함수가 최저값을 갖는 지점 = 기계학습의 분류 및 예측 오류가 가장 적을 곳 기계학습에서는? 훈련집합만 주어지고 미분을 계산하면서 최저점 f(x1, x2) 찾는 문제 최적화 알고리즘 - J(세타)를 최소로 하는 최적해 세타^를 찾는 알고리즘 미분(Differentiation) - 1차 도함수는 x가 미세하게 증가하였을 때 함숫값의 변화율을 알려줌 전역 최적해 - x의 정의역 전체에 걸쳐 최소인 점 지역 최적해 - 주변에서는 최적이지만 정의역 전체로 보면 최적해가 아닌 것 높은 차원의 공간에서 전역 최적해를 찾는 일은 매우 어려우므로 실제로는 지역 최적해로 만족하는 경우도 많음 실제 문제에서는 지역 최적해를 찾는 것으로 만족하는 경우가 많음 야코비안 행렬 - d개의 매개변수와 m개의 함수가 존재할 때 m개의 함수 각각을 d개의 매개변수로 편미분한 도함수를 행렬로 표현한 것 경사 하강법 - 샘플의 그레이디언트를 평균한 후 한꺼번에 갱신

인공지능 > 머신러닝 > 딥러닝 포함관계 딥러닝 - 모델이 고차원적으로 입력 데이터를 파악하여 인간 수준까지 판단할 수 있는 영역 string AI - 공상과학영화 수준의 강한 ai weak AI - 공장 자동화, 특정 일 수행하는 로봇들 빅데이터 3요소 - 3V Volume(기가바이트 이상의 대용량 데이터 구성) Variety(여러 형태의 데이터, 텍스트, 이미지, 숫자 등의 데이터를 다룸) Velocity(데이터를 처리하는 속도가 실시간으로 빠르게) 5V로 표현할 경우엔 Value와 Veracity(진실정, 정확성) 포함 매개변수를 잘 찾는 것이 데이터를 잘 설명하는 수식을 찾는 과정 - 학습 혹은 훈련 트레이닝 기계학습 활용사례 - 구글 번역, 네이버 파파고, 쇼핑몰의 추천 시스템 기계 학습의 초기에 기여한 3가지 공개 데이터베이스 Iris, MNIST, ImageNet 지식 추출 데이터 입력 데이터 전처리(데이터 통합, 정규화, 속성 선택, 자원 축수) 데이터 마이닝(패턴 검색, 연관성 & 상관관계, 분류, 클러스터링 데이터 후처리(패턴평가, 패턴선택, 패턴 해석, 패턴 시각화) 패턴 추출 이상치(Outlier) - 변수가 가질 수 없는 값 또는 아주 희귀한 값 ex : 나이가 900살, 키 400cm 결측치 - 운영상의 오류, 사람의 실수 등으로 변수가 실제 값을 가져아 하지만 누락된 경우 둘 다 데이터 정화 작업에서 처리 정성적 변수 -  특정한 속성을 가진 자료, 일반적으로 사칙 연산 적용 불가능 ex : 성별, 혈액형 정량적 변수 - 많고 적음을 나타내는 수치로 된 자료, 사칙 연산 가능 ex : 속도, 온도, 나이 단변수 - 히스토그램, 박스플로 다변수 - 상관관계표, 산점도행렬 차원 감소 방법 1. 변수 감소 2. 변수 추출 모델의 과소적합 - 모델의 용량이 작아 오차가 클 수 밖에 없는 현상 - 비선형 모델을 사용하는 대안 모델의 과잉적합 - 모델이 데이터를 설명하기에 너무 복잡한 형태 - 규제 등을 사용하여 모델 ...