| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 |
Tags
- 서포트벡터머신이란
- libtorch
- Deep Learning
- support vector machine 리뷰
- CS231n
- pytorch project
- Object Detection
- SVM margin
- cnn 역사
- Faster R-CNN
- svdd
- yolov3
- 데이터 전처리
- pytorch
- darknet
- SVM hard margin
- yolo
- self-supervision
- 논문분석
- DeepLearning
- fast r-cnn
- SVM 이란
- TCP
- CNN
- EfficientNet
- RCNN
- Computer Vision
- cs231n lecture5
- pytorch c++
- computervision
Archives
- Today
- Total
목록MDS 정리 (1)
아롱이 탐험대
본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. MDS의 목적은 D차원 공간 상에 객체들이 존재할 때, 이 객체들의 distance가 저차원에서도 최대한 많이 보존되도록 하는 축을 찾는 것이다. MDS에서 데이터들의 특징은 개별적인 객체들의 거리이고, 이 거리들을 보존하는 것이 최종 목표이다. PCA vs MDS 1. Data PCA는 다차원에 존재하는 $N$개의 object가 데이터이다. $(N \times D)$ MDS는 해당하는 객체들 사이의 유사도 또는 비 유사도를 측정할 수 있는 지표가 데이터이고, 이는 $N \times N$ metrix로 구성된다. 2. Purpose PCA는 원 데이터의 분산을 최대한 보존하는 bases를 찾..
study/IME654
2022. 8. 12. 13:31