# 3-1 의미 대조 검수

이 검수는 이미 선별된 불확실 음성 653개 문맥 창의 원전사와 2차 전사를 읽어 대조한 것입니다. 강의 전체 8시간의 직접 청취 검증이 아닙니다. 창별 개수는 주된 판정으로 분류하며, 학습 보류 창에도 일부 자료 근거 정정이 포함될 수 있습니다. 두 모델이 같은 오류를 낼 수 있으므로 의미 차이 미발견은 정답 인증이 아닙니다. 교정은 자료에서 확인되는 내용 또는 명시한 수학적 보충이며 교수님의 실제 발언으로 재구성하지 않습니다. 창 경계에서 잘린 문장은 인식 오류와 구별했습니다.

## 3-1 창 0000 · 00:00:22–00:01:46 · 자료 근거 정정 있음

다변량/단변량·matrix 명칭과 변수 개수 설명이 두 출력 모두 손상. 자료의 표 정의로만 보완.

![[review/audio/3-1/clips/0000.m4a]]

근거 파일: [[review/audio/3-1/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우선 다별형 데이터가 무엇인지 사정적인 정의에 대한 부분들과 다양한 용어가 존재하는 상황에서 우리가 어떻게 해당되는 용어들을 쉽게 생각해 볼 수 있을지 우선 우리가 가지고 있는 데이터셋들은 매트 데이터, 태블러 데이터셋이라고 얘기하는 부분과 관련이 있습니다. 일단은 태블러 데이터셋이라고 얘기했던 이유는 이 데이터셋이 테이블 형태로 되어 있으니까 그런 거죠. 이거는 structured data set 구조화된 데이터다 라는 의미로도 쓰이긴 합니다 이런 tabular data set tracks 또는 metric data 라고 그것이라고 얘기하든 간에 여러분들은 아 동일한 다별량 데이터 이구나 라고 이해하시면 될 것 같습니다 별량이라는 것은 별량 변수라고 얘기하는 별량이 동일한 말이구요 그때 이 변수가 2개 이상이다 라고 얘기해서 멀타 이 변수가 2개 이상이다 라고 얘기한다면 우리는 이렇게 일반적으로 우리가 변수가 극장 단별량 시계성 있는게 아니라면 거기에 대다수는 변수가 이렇게 흑에 준하는 변수가 이렇게 많을 겁니다.

2차 전사:  쉽게 생각해 볼 수 있습니다. 우선 우리가 가지고 있는 데이터셋들은 이것들의 matrix data, tabular data set이라고 얘기하는 부분과 관련이 있습니다. tabular data set이라고 얘기했던 이유는 이 데이터 자체가 table 형태로 되어 있으니까 그런 거죠. 이것은 Structured Dataset, 구조화된 데이터다 라는 의미로도 되긴 합니다. 이런 Tabular Dataset Tracks 또는 Matrix Data 라고도 보통 얘기해서 무엇이라고 얘기하든 간에 여러분들은 동일한 다별량 데이터이구나 라고 이해하시면 될 것 같습니다. 별량이라는 것은 별량, 변수라고 얘기하는 별량이 동일한 말이고요. 그때 이 변수가 2개 이상이다 라고 얘기해서 멀타 이 변수가 2개 이상이다 라고 얘기한다면 우리는 대부분의 변수가 단별양 치결성이라면 이런게 아니라면 거기에다 쓰는 변수가 이렇게 삐게 준하는 이렇게 많은

**자료·검토에 따른 정정:** 다변량 데이터: 행은 n개 샘플, 열은 p개 변수. 변수1개는 단변량,2개이상은 다변량.

근거: PDF 물리 p.3의 렌더링 이미지 직접 확인. 다변량/단변량·matrix 명칭과 변수 개수 설명이 두 출력 모두 손상. 자료의 표 정의로만 보완.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 3

[[pdf/4._Linear_Regression_I/page-003.jpg|자료 화면 열기]]

## 3-1 창 0001 · 00:01:54–00:02:13 · 자료 근거 정정 있음

행렬 크기가 A의 X 반복에서 B의 행 바이 피로 바뀜. n×p 표기만 자료로 확인.

![[review/audio/3-1/clips/0001.m4a]]

근거 파일: [[review/audio/3-1/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 흑에 대한 샘플과 흑에 대한 변수 그래서 일반적으로는 X, X, X, X, X, X, X, X, X 형태로 가지고 가는게 우리가 분석해야 되는 분량이 있습니다. 이 때 행 하나를 우리가 뭐라고 얘기해야 하는 샘플이라고 얘기하고요. 샘플은 observation 또는 패턴과 동일한 말이라고 얘기하면 될 것 같습니다.

2차 전사:  변수. 그래서 일반적으로는 행, 바이, 피, 매트릭스 형태로 가져가는게 우리가 분석해야 되는 다필라인 데이터입니다. 자 이때 행 하나를 우리가 뭐라고 얘기해야 되는 샘플이라고 얘기하고요. 샘플은 observation

**자료·검토에 따른 정정:** 입력 데이터 행렬 크기는 n×p.

근거: PDF 물리 p.3의 렌더링 이미지 직접 확인. 행렬 크기가 A의 X 반복에서 B의 행 바이 피로 바뀜. n×p 표기만 자료로 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 3

[[pdf/4._Linear_Regression_I/page-003.jpg|자료 화면 열기]]

## 3-1 창 0002 · 00:03:28–00:03:36 · 자료 근거 정정 있음

특정치/특성치 차이는 PDF의 특성치 표기로 확인.

![[review/audio/3-1/clips/0002.m4a]]

근거 파일: [[review/audio/3-1/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러 개 부를 수가 있지만 이렇게 이해하시면 되겠습니다. 또는 한국말로는 특정치라고 부르는 사람들도 생각보다 많이 있습니다.

2차 전사:  여러 개 부를 수가 있지만 결국은 아 변수구나 이렇게 이해하시면 되겠습니다. 또는 이제 한국말로는 특성치라고 부르는 사람들도

**자료·검토에 따른 정정:** 특성치(feature/factor).

근거: PDF 물리 p.3의 렌더링 이미지 직접 확인. 특정치/특성치 차이는 PDF의 특성치 표기로 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 3

[[pdf/4._Linear_Regression_I/page-003.jpg|자료 화면 열기]]

## 3-1 창 0003 · 00:04:04–00:04:15 · 중요한 의미 차이 미발견

배울/배출 차이는 예시 설명의 서술어 차이. 다변량 발음은 별도 미확정.

![[review/audio/3-1/clips/0003.m4a]]

근거 파일: [[review/audio/3-1/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 값들을 가지고 있으면서 우리가 정말 많은 사람들을 찾게 된다면 우리는 이런 다별량 데이터를 배울 수 있습니다. 그렇다면 다별량에 반대되는 말이 있을까 하면 반대의 의미는 아니지만

2차 전사:  우리가 정말 많은 사람들을 찾게 된다면 우리는 이런 다별량 데이터를 배출할 수 있습니다. 자 그렇다면 다별량에 반대되는

## 3-1 창 0004 · 00:04:48–00:05:02 · 중요한 의미 차이 미발견

Parade Set/paired set 음역 차이. X,Y 데이터 쌍 설명의 방향 차이 없음.

![[review/audio/3-1/clips/0004.m4a]]

근거 파일: [[review/audio/3-1/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇지 않고 변수가 두 개 이상 있다라면 다별량이 더 오른다는 걸 기억하시면 됩니다. 일반적으로 우리가 이런 Parade Set, X와 Y로 구성되어 있는 이런 데이터가 있다고 해봅시다. 이 데이터를 가지고 우리가 어떤 학습 모델을 만든다고 했을 때 그 모델을 어떤 걸 예측하냐에 따라서 우리는 어떤 downstream task를 가지고 있느냐로 표현할 수가 있습니다.

2차 전사:  그러면 다별량이 오르는 걸 기억하시면 됩니다. 일반적으로 우리가 이런 paired set X와 Y로 구성되어 있는 이런 데이터가 있다고 해봅시다. 이 데이터를 가지고 우리가 어떤

## 3-1 창 0005 · 00:05:15–00:06:03 · 학습 보류

실수값으로 추정되는 부분이 두 모델 모두 필수값. 수치예측과 범주예측의 정확한 발언은 보류.

![[review/audio/3-1/clips/0005.m4a]]

근거 파일: [[review/audio/3-1/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 니가 풀려고 하는 문제가 교체 무엇이냐 라고 했을 때 숫자 값을 예측하는 수치 예측 측면이 있구요 또 두번째는 범주 예측 측면이 있습니다 어렵게 얘기하지 말고 나는 니가 키가 얼마인지 estimation 해보고 싶어 라고 얘기했을 땐 말 그대로 숫자 값을 예측하게 되죠 우리가 예측되는 y 자체가 어떻게 되냐면 어떤 필수 값에 해당되는 부분으로 구성될 수 있을 수가 있습니다. 자 범주 예측에 해당되는 부분이라고 얘기한다면 knee, y, hat 이렇게 예측되는 것이 실제로는

2차 전사:  다운스트링 가수라고 보통 얘기해요. 네가 풀려고 하는 문제가 도대체 무엇이냐 라고 했을 때 숫자값을 예측하는 숫지 예측 측면이고요. 또 두 번째는 엄주 예측 측면이 있습니다. 어렵게 얘기하지 말고 나는 네가 키가 얼마인지 이스트메이션 해보고 싶어 라고 얘기했을 땐 말 그대로 숫자값을 예측하게 되죠. Y 자체가 우리가 예측되는 Y 자체가 어떻게 되냐면 어떤 필수값에 해당되는 부분으로 구성되어 있을 수가 있습니다. 범주 예측에 해당되는 부분이라고 얘기한다면 이 Y의 핵, 이렇게 예측되는 것이 실제

## 3-1 창 0006 · 00:06:50–00:07:01 · 학습 보류

T-Data/TV 데이터 및 잘린 도입. 중심 용어를 확정하기 어려움.

![[review/audio/3-1/clips/0006.m4a]]

근거 파일: [[review/audio/3-1/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그건 사실상 X가 아니라 우리가 실제 예측하고 싶어하는 Y에 해당되는 특징이다라는 것들을 이해하시면 될 것 같습니다. T-Data에 대한 예측에 대한 가장 좋은 예시를 한번 얘기를 해보고 TV 시청하는 영유아에 대해서 TV 시청을 많이 단시간, 장시간 TV를 측에 쓸 경우에

2차 전사:  해당된 특징이 다 아는 것들 이어집니다. TV 데이터에 대한 예측에 대한 가장 좋은 예시를 한번 얘기를 해보겠습니다. TV 시청하는 영유아의

## 3-1 창 0007 · 00:07:29–00:07:40 · 학습 보류

느린 아이 설명이 두 모델에서 손상. 관찰 대상과 비교 문구 보류.

![[review/audio/3-1/clips/0007.m4a]]

근거 파일: [[review/audio/3-1/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 처리 속도와 실행 기능이 좋은 영유아 같은 경우에 있는 그 번호를 빠르게 누른다고요. 거친 아이들은 하는 문제의 아이들은 좀 고대적으로 늦게 되는 겁니다. 그래서 일반적으로 이게 우리가 책정했었던 모든 아이들에 대한 반응 속도입니다.

2차 전사:  영유아 같은 경우에는 그 번호를 빠르게 누른다고요 던진 아이들은, 가는 아이들은 좀 상대적으로 느끼게 되는 겁니다 그래서 일반적으로

## 3-1 창 0008 · 00:07:49–00:08:00 · 중요한 의미 차이 미발견

일평균 TV 시청시간과 반응속도의 X/Y 구분은 유지. 창 경계의 Y 일부 누락은 잘림.

![[review/audio/3-1/clips/0008.m4a]]

근거 파일: [[review/audio/3-1/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Q가 무엇이고 Y가 무엇인지를 먼저 이해해보시는 게 필요합니다. X는 1평균 TV 시청 시간, 너 얼마나 TV를 많이 봤지? 이걸 얘기하는 거고요. Y는 반응 속도입니다.

2차 전사:  이가 무엇인지를 먼저 이해해 보시는 게 필요합니다. X는 일 평균 TV 시청지가 얼마큼 TV를 많이 봤지 이걸 얘기하는 거고요. Y는 반응

## 3-1 창 0009 · 00:08:04–00:08:15 · 학습 보류

느려질/줄어질, 관측지/관측치가 달라 반응 시간의 방향을 이 창만으로 확정하지 않음.

![[review/audio/3-1/clips/0009.m4a]]

근거 파일: [[review/audio/3-1/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 느려질 거야, 빨라질 거야? 이걸 얘기한다는 거죠. 지금 보러 봤을 때 거기에 있는 관측지의 아이는 어떤 걸 의미하냐면 일주일간 하루 평균 30분씩 계속해서 TV를 받는 친구들은

2차 전사:  줄어질 거야 빨라질 거야 이걸 얘기한다는 거죠. 지금 분포로 봤을 때 여기 있는 관측지 i는 어떤 걸 의미하냐면 일주일간 하루 평균

## 3-1 창 0010 · 00:08:46–00:08:56 · 학습 보류

2차 결과가 TBC가에서 종료되어 DSST 영향 설명을 비교할 수 없음.

![[review/audio/3-1/clips/0010.m4a]]

근거 파일: [[review/audio/3-1/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그럼에도 불구하고 우리가 이걸 기반으로 봤을 때 이걸 기반으로 봤을 때 이 빨간색에 준하는 부분 결국은 일평균 TV 시청시간이 DSST라는 시험에 반응속도에 주는 영향 정도를 모델링하고 싶을 때

2차 전사:  이걸 기반으로 봤을 때 이 빨간색에 준하는 부분 결국은 아 일평균 TBC가

## 3-1 창 0011 · 00:09:43–00:10:35 · 자료 근거 정정 있음

deterministic/stochastic 명칭을 PDF p8에서 확인. 두 관계를 뒤바꿔 외우지 않도록 자료 명칭 별도 제시.

![[review/audio/3-1/clips/0011.m4a]]

근거 파일: [[review/audio/3-1/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 뭐에 의해서요? 모델의 모델이라는 앱에 의해서 그렇다는 거죠. 이런 x와 y에 대한 사이의 관계성을 일반적으로는 2가지로 모델링을 해볼 수 있습니다. 첫 번째는 확정적 관계를 하기 위해서 오프스틱한 브러치다 라고 보통 얘기합니다. Detectualistic 이라고 해서 이 확정적인 포텐셜 레이션 확률적인 관계라고 한다면 스타케스틱 레이션이라고 얘기를 합니다 그래서 확정적 관계라는 건 뭐냐면 스냅샷을 딱 누드신 이거는 뭐 케이스마다 달라지는 게 아니야 다른 편차를 보이지 않고 말 그대로 A 더하기 B는 무조건 C야

2차 전사:  f에 의해서 그렇다는 거죠. 이런 x와 y에 대한 사이의 관계성을 일반적으로는 두 가지로 모델링을 해볼 수가 있습니다. 첫 번째는 확정적 관계를 하기 위해서 deterministic approach라고 보통 얘기합니다. deterministic 이라고 해서 그래서 이 확정적인 Relation, 확률적인 관계라고 한다면 Stochastic Relation이라고 얘기를 합니다. 자 그래서 확정적 관계라는 건 뭐냐면, Snapshot을 딱 두듯이, 이거는 뭐 케이스마다 달라지는 게 아니야. 샘플마다 다른 어떤 현태를 보이지 않고 말 그대로 a 더하기 b는 무조건

**자료·검토에 따른 정정:** 확정적 관계 deterministic relation, 확률적 관계 stochastic relation.

근거: PDF 물리 p.8의 렌더링 이미지 직접 확인. deterministic/stochastic 명칭을 PDF p8에서 확인. 두 관계를 뒤바꿔 외우지 않도록 자료 명칭 별도 제시.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 8

[[pdf/4._Linear_Regression_I/page-008.jpg|자료 화면 열기]]

## 3-1 창 0012 · 00:10:39–00:10:46 · 중요한 의미 차이 미발견

특지/특징 차이. 개체별 편차 존재라는 의미 유지.

![[review/audio/3-1/clips/0012.m4a]]

근거 파일: [[review/audio/3-1/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 확률적인 관계는 뭐냐면 개별적인 사람 어떤 또는 특지 또는 어떤 기기마다의 편차가 존재할 수 있어서

2차 전사:  관계는 뭐냐면 개별적인 사람 어떤 또는 특징 또는 어떤 기기 마다의 편차가 존재

## 3-1 창 0013 · 00:11:08–00:11:18 · 학습 보류

100만점/85점/10점 수치의 문맥이 손상. 예시 점수를 임의로 100점으로 복구하지 않음.

![[review/audio/3-1/clips/0013.m4a]]

근거 파일: [[review/audio/3-1/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그만큼 잘했어? 하면 100만점 대비 85점입니다. 아 잘했네. 자 그러면 다음 번엔 다음 번 회의까지 10점짜리 만들어 봐. 이런 얘기를 할 때가 있어요. 사실은 그거는 예 알겠습니다 하고 넘어갈 문제가 아니에요.

2차 전사:  뭐 85점 입니다 아 잘했네 자 그러면 다음권 회의까지 10점짜리 만들어 와 이런 얘기를 할 때가 있어요 사실은 그거는

## 3-1 창 0014 · 00:11:27–00:12:02 · 자료 근거 정정 있음

X가 Y를 설명한다는 표현이 2차에서 Y가 Y로 바뀜. 자료 p7로 방향 확인.

![[review/audio/3-1/clips/0014.m4a]]

근거 파일: [[review/audio/3-1/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 데이터가 X과 Y에 대한 설명력을 충분히 가지고 있는지 그래서 일반적으로는 잔차라고 얘기하는데 우리가 예측하고 싶어하는 y와 예측된 y의 차이, 그 잔차를 최대한 줄일 수 있는 확률적인 관계에 있어서의 우리가 설명력이 얼마큼 되는지를 생각해보는 게 먼저입니다. 자 그래서 확정적 관계부터 먼저 얘기한다면 x 변수가 y를 100% 설명한다는 거예요. 엄밀히 얘기하면 외부 변수가 y에 대한 별량을 100% 표현한다. 대표적인 게 우리가 힘이라는 건 진량과 가속도를 통해서

2차 전사:  Y에 대한 설명력을 충분히 가지고 있는지 그래서 일반적으로는 잔차라고 얘기하는데 우리가 예측하고 싶어하는 Y와 예측된 Y의 차이, 그 잔차를 최대한 줄일 수 있는 확률적인 관계에 있어서의 우리가 설명력이 얼마큼 되는지를 생각해보는 것입니다. 그래서 확정적 관계부터 먼저 얘기한다면 X 변수가 Y를 100% 설명한다는 거예요. 엄밀히 얘기하면 y 변수가 y에 대한 별량을 100% 표현한다. 이렇게 얘기하시면 됩니다. 가장댓몬

**자료·검토에 따른 정정:** 확정적 관계의 예: X변수만으로 Y를100%표현, Y=f(X),오차항없음.

근거: PDF 물리 p.7의 렌더링 이미지 직접 확인. X가 Y를 설명한다는 표현이 2차에서 Y가 Y로 바뀜. 자료 p7로 방향 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 7

[[pdf/4._Linear_Regression_I/page-007.jpg|자료 화면 열기]]

## 3-1 창 0015 · 00:12:17–00:12:32 · 중요한 의미 차이 미발견

주행거리·속도·시간 관계 유지. 확장적이라는 오인식과 창 끝 누락은 원음 미확정.

![[review/audio/3-1/clips/0015.m4a]]

근거 파일: [[review/audio/3-1/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 주행거리는 뭐죠? 주행거리는 속도와 시간을 통해서 우리가 읽겠습니다. 자 그래서 우리가 속도가 얼만큼이고 시간이 얼만큼이면 주행거리는 얼마만큼이야 라는 것들을 어느정도 알 수 있다는 것. 확장적 관계라면 모델은 구축할 필요가 없습니다.

2차 전사:  시간을 통해서 우리가 알 수 있겠습니다. 자 그래서 우리가 속도가 얼만큼이고, 시간이 얼만큼이면, 주행거리는 얼마만큼이야 라는 것들을 어느정도 알 수 있다는 거죠. 확장적 관계라면,

## 3-1 창 0016 · 00:13:00–00:13:12 · 중요한 의미 차이 미발견

인스템에 의지/estimation 차이. 모든 변량을 설명할 수 없다는 의미는 유지.

![[review/audio/3-1/clips/0016.m4a]]

근거 파일: [[review/audio/3-1/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 개별 관측지마다의 편차가 엄청 큰 경우인 거죠. 다시 한번 얘기하면 X를 가지고 Y에 대한 모든 별량의 크기를 우리가 인스템에 의지 할 수 없을 때입니다. 만약에 우리가 데이터가 이런 디지털 스틱한 관계를 가지고 있다면 상당히 단일하고

2차 전사:  마다의 편차가 엄청 큰 경우인거죠. 다시 한번 얘기하면 x를 가지고 y에 대한 모든 별량의 크기를 우리가 estimation 할 수 없을 때입니다. 만약에 우리 데이터가 이런

## 3-1 창 0017 · 00:14:06–00:14:31 · 학습 보류

확정적 관계에서 남는 차이를 설명하는 문장이 두 출력 모두 불명확. 정의를 발언으로 재구성하지 않음.

![[review/audio/3-1/clips/0017.m4a]]

근거 파일: [[review/audio/3-1/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 스타피스틱은 우리가 예측 가능한 정도에 대한 부위와 함께 나머지는 랜덤이고요. 디지테미스틱한 관계에 있어서는 실제 예측한 정도의 차이와 실제 나머지 부분도 어떤 certain 포인트가 있다면 사실상 우리는 디지테미스틱한 관계를 주장하면 되겠습니다. 가장 대표적인 확률적인 관계에 대한 예지를 좀 들어본다면 다음 가지를 읽을 수 있을 것 같아요. 자 우리가 X를 가지고 Y에 대해서 별량을 추론하려고 할 때

2차 전사:  대한 부위와 함께 나머지는 랜덤이구요 디스테미스틱한 관계에 있어서는 실제 예측한 정도의 차이와 실제 나머지 부분에 어떤 certain 포인트가 있다면 사실상 우리는 디스테미스틱한 관계를 주로 하면 되겠습니다 자 가장 대표적인 확률적인 관계에 대한 예지를 좀 들어본다면 다음과 같이 볼 수 있을 것 같아요 자 우리가 x를 가지고

## 3-1 창 0018 · 00:15:11–00:15:24 · 중요한 의미 차이 미발견

f(x) 음역이 개선되나 원문의 오차항 설명 방향은 유지.

![[review/audio/3-1/clips/0018.m4a]]

근거 파일: [[review/audio/3-1/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 경우에 모든 것들을 100% 정확하게 우리가 추려낼 수 있다? 그럴 수가 없겠습니다. 그렇기 때문에 뒤에 y를 예측하도록 만들어지는 방법에 항상 오차항이 가지게 되는 거죠. 자, 엄밀히 얘기하고 싶은 거는 학습할 땐 트레이닝 페이지에서는 우리가 가지고 있었던 건 x와 y 이 데이터셋이었고요.

2차 전사:  우리가 추론할 수 있다? 그럴 수가 없겠습니다. 그렇기 때문에 뒤에 y를 예측하도록 만들어주는 f of x에 항상 오차항이 같이 있는 거죠. 자, 엄밀히 얘기하고 싶은 것은

## 3-1 창 0019 · 00:15:32–00:15:51 · 학습 보류

2차에서 예측값의 hat이 빠짐. 추정값과 실제값을 혼동할 수 있어 보류.

![[review/audio/3-1/clips/0019.m4a]]

근거 파일: [[review/audio/3-1/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 엄밀히 얘기하고 싶은 거는 학습할 땐 트레이닝 페이지에서는 우리가 가지고 있었던 건 x와 y 이 데이터셋이었고요. 이 데이터셋을 가지고 여러분들이 뭘 만드냐면 f of x를 만들게 됩니다. 이 f of x는 예측값 y hat을 내뱉게 될 테고요. 이거는 실제 값과 유사할 거라고 우리는 언급하는 겁니다.

2차 전사:  y 이 데이터셋이었구요. 이 데이터셋을 가지고 여러분들이 뭘 만드냐면 f 를 만들게끔 된거에요. 이 f 는 예측값 y 를 내배끔 달게 되구요. 이거는 실제 값과 유사하게

## 3-1 창 0020 · 00:16:28–00:16:36 · 학습 보류

2의 약5x/이기다400G 모두 수식 해독 불가. 원음 확인 전 학습 보류.

![[review/audio/3-1/clips/0020.m4a]]

근거 파일: [[review/audio/3-1/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 좀 상대적으로 키가 좀 작은 편이고 이런 것들을 갖다 퇴근할 때 2의 약 5x를 사용하시면 됩니다. 자 그때 실제 이런 갭이 존재할 수 있다라는

2차 전사:  상대 열기가 좀 작은 편이고, 이런 것들에다가 채워 낼 때 이기다 400G를 사용하시면 됩니다.

## 3-1 창 0021 · 00:18:47–00:19:01 · 학습 보류

앱/액수, 예측/배축이 손상됐지만 수식 대조 불가. 모델 설명의 정확한 명칭은 보류.

![[review/audio/3-1/clips/0021.m4a]]

근거 파일: [[review/audio/3-1/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어느 정도의 오차가 있을 거지만 그래도 높을 때와 낮을 때 기습적인 미세먼지와 이런 것들을 같이 예측하는 등 충분히 도움이 될 수 있는 앱을 만들 수 있겠다라는 생각을 해볼 수 있겠습니다. 선형회기에 대한 기소를 얘기해 본다면

2차 전사:  있을 거지만 그래도 높을 때와 낮을 때 기습적인 미세먼지와 이런 것들과 배축하는 등 충분히 도움이 될 수 있는 액수를 만들 수 있겠다 라는 생각을 해볼 수 있겠습니다. 자 선형외기에 대한

## 3-1 창 0022 · 00:20:46–00:20:56 · 학습 보류

부친 키→아들 키 설명과 문장 앞부분이 창 경계에서 잘림. 어느 정도의 설명력인지 단정하지 않음.

![[review/audio/3-1/clips/0022.m4a]]

근거 파일: [[review/audio/3-1/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아버지의 길을 가지고 아드레키를 예측하도록 만들어주는 성형 모델은 거의 대다수의 데이터에 대해서 우리가 설명 가능하다라는 부분들을 좀 이해해 볼 수 있다는 것. 자, 그래서 성형 회기의 모델에 대한 사전적인 정의는

2차 전사:  가상으로 만들어주는 성형 모델은 거의 대다수의 데이터에 대해서 우리가 설명 가능하다 라는 부분들을 좀 이해해 볼 수 있다는 겁니다. 자 그래서 성형 회계에 대한

## 3-1 창 0023 · 00:21:02–00:21:20 · 자료 근거 정정 있음

scholar/scalar 및 explanatory variable 용어를 자료 p12로 확인. 독립/종속 표현은 다음 창과 함께 보류.

![[review/audio/3-1/clips/0023.m4a]]

근거 파일: [[review/audio/3-1/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 입력 변수 X들의 선형 결합으로 표현한다. 그래서 영어로 얘기하면 linear approach to modeling the relations between scholar response and one or more explanatory variables 라고 해서 explanatory variable은 dependent variable 또는 input variable

2차 전사:  연수 x들의 선형 결합으로 표현한다 입니다. 영어로 얘기하면 A linear approach to modeling the relation between a scalar response and one or more

**자료·검토에 따른 정정:** scalar response(스칼라 반응값).

근거: PDF 물리 p.12의 렌더링 이미지 직접 확인. scholar/scalar 및 explanatory variable 용어를 자료 p12로 확인. 독립/종속 표현은 다음 창과 함께 보류.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 12

[[pdf/4._Linear_Regression_I/page-012.jpg|자료 화면 열기]]

## 3-1 창 0024 · 00:21:23–00:21:40 · 자료 근거 정정 있음

원전사의 explanatory=dependent는 X/Y 역할 혼동. 자료의 X입력,Y출력 정의를 제시하되 실제 발화는 미확정.

![[review/audio/3-1/clips/0024.m4a]]

근거 파일: [[review/audio/3-1/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): explanatory variable은 dependent variable 또는 input variable 뭐 여러가지로 표현할 수 있지만 결국 이건 x입니다 자 여기에 보면 response variable 이라고 있어요 그럼 이거는 y입니다 자 여기에 또 눈에 띄는 건 스칼라 값이에요. 이거는 스칼라가 뒤에 다 붙는 게 아니라

2차 전사:  input variable, 여러가지로 표현할 수 있지만 결국 이건 x입니다. 여기에 보면 response variable이라고 있어요. 그러면 이거는 y입니다. 여기에 또 눈에 띄는 건 scala 값이에요. 이거는 scala가 뒤에 다 붙는게 아니라

**자료·검토에 따른 정정:** 이 자료의 역할구분: X=입력/설명변수, Y=출력/반응변수. dependent는 Y를 가리키는 명칭으로 구분해야 한다.

근거: PDF 물리 p.12의 렌더링 이미지 직접 확인. 원전사의 explanatory=dependent는 X/Y 역할 혼동. 자료의 X입력,Y출력 정의를 제시하되 실제 발화는 미확정.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 12

[[pdf/4._Linear_Regression_I/page-012.jpg|자료 화면 열기]]

## 3-1 창 0025 · 00:22:04–00:22:12 · 학습 보류

이변량 영어 음역 손상. 두 출력만으로 정확한 용어를 확정하지 않음.

![[review/audio/3-1/clips/0025.m4a]]

근거 파일: [[review/audio/3-1/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 두 개만 따로 부르는 것은 이별량, 바이벌 레이트라고 부르거든요. 자, 무창간에 우리가 완전히 알고 싶은 건 y와 x들 사이의 관계를 모델링하는 선형적인 어프로치다.

2차 전사:  뭐 바이브에이 이렇게 보통 부르기도 합니다. 자, 무슨 말인지 우리가 완전히 알고 싶은 건 y와 x들 사이에

## 3-1 창 0026 · 00:23:01–00:23:13 · 중요한 의미 차이 미발견

파라미터라고 부르는 이유 설명이 차이나나 핵심 수식 차이는 없음.

![[review/audio/3-1/clips/0026.m4a]]

근거 파일: [[review/audio/3-1/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 지금부터 그냥 쉽게 파라미터라고 부를 거예요 이 요령기에서 자 다시 그 공식을 좀 보면서 얘기해 볼게요 이게 회기 모델이야 왜냐하면 y가 숫자 값을 맞추고 싶은 거니까

2차 전사:  그냥 쉽게 파라미터라고 부를 거야. 이 이유는 뒤에서 얘기해. 자, 다시 그 공식을 좀 보면서 얘기해 볼게요. 이게 회기 모델이야. 왜냐하면

## 3-1 창 0027 · 00:23:38–00:24:01 · 자료 근거 정정 있음

합의 상한이 두 모델 모두 2로 읽힘. 자료 p13의 마지막 βpXp로 p임을 확인.

![[review/audio/3-1/clips/0027.m4a]]

근거 파일: [[review/audio/3-1/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이것들의 계수, 파라미타로 불렀던 베타들을 전부 다 곱해주고요. 이렇게 곱해진 것들을 전부 다 함께 천형적으로 합산해준다. 그래서 이걸 쉽게 쓴 다음에 이렇게 될 수가 있겠죠. sigma i는 1부터 2까지 beta i의 xi 플러스 그렇죠? 선형회기는 이렇게 0입니다.

2차 전사:  를 전부 다 곱해주고요. 이렇게 곱해진 것들을 전부 다 천연적으로 합산해준다. 그래서 이거를 쉽게 쓴다면 이렇게 될 수가 있겠죠. sigma i는 1부터 2까지 베타 i에 xi 플러스 그렇죠

**자료·검토에 따른 정정:** β0+Σ[j=1..p]βjXj. 마지막항은βpXp이며 절편β0도 포함한다.

근거: PDF 물리 p.13의 렌더링 이미지 직접 확인. 합의 상한이 두 모델 모두 2로 읽힘. 자료 p13의 마지막 βpXp로 p임을 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 13

[[pdf/4._Linear_Regression_I/page-013.jpg|자료 화면 열기]]

## 3-1 창 0028 · 00:24:46–00:24:54 · 중요한 의미 차이 미발견

β=1일 때 X가1증가하면 Y가1증가하는 예시. 동일한 숫자와 방향 유지.

![[review/audio/3-1/clips/0028.m4a]]

근거 파일: [[review/audio/3-1/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 1 증가할 때 Y가 증가하는 정도 아? 얼마큼 증가하나? 아 원만큼 증가해요 만약에 베타가 1이 그럼 X가 1 증가해

2차 전사:  1 증가할 때 y가 증가하는 정도가 얼마큼 증가하나? 1만큼 증가해요. 여기 베타가 1이

## 3-1 창 0029 · 00:25:22–00:25:30 · 자료 근거 정정 있음

모델 복잡도/목적 차이. p14 분류의 복잡도와 일치하는 표현을 자료로만 제시.

![[review/audio/3-1/clips/0029.m4a]]

근거 파일: [[review/audio/3-1/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 선형교육의 모델은 다양한 분류체계를 가질 수 있겠지만 아주 간단하게 입력변수가 몇 개 있느냐 그리고 모델에 대한 복잡한 어떻게 가져갈 뿐이냐 이거에 따라서 다음과 같이 나눠볼 수가 있습니다. 첫 번째는 입력변수가 1개였을 때 그리고 2개 이상이었을 때 어떻게 되냐면

2차 전사:  아주 간단하게 입력 단수가 몇 개 있느냐, 그리고 모델에 대한 목적들을 어떻게 가져갈 뿐이냐, 이거에 따라서 다음과 같이 나눠볼 수가 있습니다.

**자료·검토에 따른 정정:** 입력변수1개는simple,2개이상multiple. 도표의 다른분류축은linear/nonlinear.

근거: PDF 물리 p.14의 렌더링 이미지 직접 확인. 모델 복잡도/목적 차이. p14 분류의 복잡도와 일치하는 표현을 자료로만 제시.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 14

[[pdf/4._Linear_Regression_I/page-014.jpg|자료 화면 열기]]

## 3-1 창 0030 · 00:26:00–00:26:19 · 자료 근거 정정 있음

nonlinear simple 회귀가 2차에서 linear와 혼재. 자료 p14 분류 기준 제시.

![[review/audio/3-1/clips/0030.m4a]]

근거 파일: [[review/audio/3-1/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그런다면 우리가 선형, 단별량, 특이 모델 또는 심플하긴 하지만 이 관계성이 아주 복잡하게 생겨먹었어 그래서 x에 대한 조합, 어떻게 입력 변수 하나니까 x가 y에 주는 영향도가 비선형적인 것 같애라고 한다면 nonlinear, simple regression 이렇게 볼 수 있죠 또 multiple 할 때는 뭐냐면 우리가 있는 y에 대한 변량을 설명할 수 있는 x에 대한 개수 자체가

2차 전사:  이 관계성이 아주 복잡하게 생겨 먹었어 그래서 x들에 대한 조합은 어떻게 입력변수 하나니까 x가 y 해주는 영향도가 비선형적인 것 같아 라고 한다면 널리니어 심플 리니어 심플 리그레션 이렇게 볼 수 있죠 또 멀티플라이트는 뭐냐면 우리가

**자료·검토에 따른 정정:** 도표의 해당가지: Simple → Nonlinear.

근거: PDF 물리 p.14의 렌더링 이미지 직접 확인. nonlinear simple 회귀가 2차에서 linear와 혼재. 자료 p14 분류 기준 제시.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 14

[[pdf/4._Linear_Regression_I/page-014.jpg|자료 화면 열기]]

## 3-1 창 0031 · 00:26:22–00:26:38 · 중요한 의미 차이 미발견

multiple nonlinear regression 명칭은 2차가 선명, 입력변수2개 이상이라는 뜻 유지.

![[review/audio/3-1/clips/0031.m4a]]

근거 파일: [[review/audio/3-1/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 있는 y에 대한 변량을 설명할 수 있는 x에 대한 개수 자체가 변수의 개수가 두 개 이상이야 multiple야, multiple, linear, regression 할 때 그지만 Multiple Non-linear Regulation 이렇게 이런 탑이 있다는 거죠. 그거에 대한 예시를 그림으로 보면 다음과 같습니다.

2차 전사:  대수 자체가, 변수의 대수가 2개 이상이야. multiple, linear regression, multiple non-linear regression, 이런 타입도 있다는 거죠. 그에 대한 예시를 그림으로 보면 다음과 같습니다.

## 3-1 창 0032 · 00:28:11–00:28:18 · 학습 보류

multivariate/multiple 용어 혼용 위험. 입력변수 수와 반응변수 수 구분 주의; 실제 발화는 보류.

![[review/audio/3-1/clips/0032.m4a]]

근거 파일: [[review/audio/3-1/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그러면 이제 멀태베레이트 리니얼 프로듀이션 라고 얘기하는 거죠. 이거와 다르게 널리어한 것들은 이렇게 비상적인 함수를 가지고 모델링해야 될 때가 있습니다.

2차 전사:  멀티 베레이트, Linear Previewation이라고 하는 거죠. 이거와 다르게 널리어한 것들은

## 3-1 창 0033 · 00:28:32–00:28:56 · 학습 보류

coefficient로 추정되는 말이 efficient로 반복. 파라미터 개수를 묻는 핵심은 유지하나 명칭 미확정.

![[review/audio/3-1/clips/0033.m4a]]

근거 파일: [[review/audio/3-1/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): multivariate하고 nonlinear regression을 하게 되는 거죠 다음 세종회계 모델에 대한 테이블 모양과 실제 이거에 대한 formulation을 아주 간단하지만 한번 살펴보도록 할게요 똑같은 변수가 하나 있어 그럼 봉지면 어떻게 나오지? 다음 같이 나온다 왜냐하면 변수가 하나이니까 그럼 여기에서 우리가 찾아야 되는 efficient라고 얘기했고 아까 parameter라고 얘기했던 거 parameter가 몇 개 있죠?

2차 전사:  하게 되는 거죠. 자, 사용후기 모델에 대한 테이블 모양과 실제 이거에 대한 포뮬레이션을 아주 간단하지만 한번 살펴보도록 할게요. 첫 번째 변수가 하나 있어. 그럼 공식은 어떻게 나오지? 다음과 같이 나온다. 왜냐면 변수가 하나이니까. 그럼 여기에서 수정해야 하는, 우리가 찾아야 되는 Efficient라고 얘기했고, 아까 Parameter라고 얘기했던 거. Parameter가 몇 개 있죠?

## 3-1 창 0034 · 00:29:48–00:30:03 · 중요한 의미 차이 미발견

설명과 미래 예측이라는 목적 유지. 식은 2차 창 경계에서 잘림.

![[review/audio/3-1/clips/0034.m4a]]

근거 파일: [[review/audio/3-1/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 수치적으로 설명하고 싶어서 이 모델링을 해야 될 때가 있겠고요. 자, 두 번째는 미래의 반응 값을 어떤 y값을 예측해 보고 싶어서 선형 회기 모델링을 해야 될 때도 있습니다. 자, 그렇다면 볼까요? y를 가지고 우리가 beta0 플러스 beta1 곱하기 x라고 했어요.

2차 전사:  설명하고 싶어서 이 모델링을 해야 될 때도 있구요. 자, 두번째는 미래의 반응 값을, 어떤 y 값을 예측해 보고 싶어서 선형세기 모델링을 해야 될 때도 있습니다. 자, 그렇다면 볼까요? y를

## 3-1 창 0035 · 00:30:09–00:30:32 · 중요한 의미 차이 미발견

β 추정 설명 의미 유지. 손상된 선형팩 발언은 확정하지 않음.

![[review/audio/3-1/clips/0035.m4a]]

근거 파일: [[review/audio/3-1/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이걸 우리가 보통 뭐라고 얘기했죠? f of x라고 얘기했죠. 이건 우리 모델이잖아요. 그걸 갖다 풀어 해친 게 바로 이 beta에 대한 조합인 거예요. 이 모형 자체를 선형팩이라고 얘기했으니까 여기에서 우리가 찾아야 되는 건 뭘까요? 이 페타 값들인 거예요. 이 페타 값을 찾고 나면 여러분들은 뭘 할 수 있냐면 이런 점이 여러 가지가 있다고 해볼게요.

2차 전사:  f라고 얘기했죠? f가 여기 우리 모델이잖아요. 그걸 갖다 풀어헤친게 바로 이 베타에 대한 조합인거에요. 이 모형 자체를 선형팩이라고 했으니까 여기에서 우리가 찾아야 되는건 뭘까요? 이 베타값인거에요. 이 베타값을 찾고 나면 여러분들은 뭘 할 수 있냐면 이런 점이 여러가지

## 3-1 창 0036 · 00:30:46–00:31:13 · 중요한 의미 차이 미발견

β0절편·β1기울기 설명 유지;10만개 예시는 2차 창끝에서 잘림.

![[review/audio/3-1/clips/0036.m4a]]

근거 파일: [[review/audio/3-1/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아 이런 수식을 구할 수 있겠구나. 우리가 알고 있는 F 오브 X고요 이 베타 제로는 X가 0이었을 때니까 이 값이 베타 제로가 될 것입니다 또 베타 원은 이거에 대한 기울기를 의미하고 있겠죠 이렇게 해서 베타 제로와 베타 원을 찾을 때 이 베타 제로 베타 원을 굳이 왜 찾아서 이런 선형 회계 모델을 만들어야 되냐 라고 했을 때 첫 번째 우리가 가진 데이터가 10만 개라고 해보죠

2차 전사:  있겠구나. 그럼 이게 우리가 알고 있는 f 이 베타0는 x가 0이었을 때니까 아마도 이 값이 베타0가 될 거에요. 또 베타1은 이거에 대한 기울기를 의미하고 있겠죠. 그래서 이렇게 해서 베타0와 베타1을 찾을 때 이 베타0, 베타1을 굳이 왜 찾아서 이런 선형 회귀 모델을 만들어야 되냐 라고 했을 때 첫 번째

## 3-1 창 0037 · 00:31:41–00:32:00 · 중요한 의미 차이 미발견

descriptive/predictive 설명·예측 목적 차이 없음.

![[review/audio/3-1/clips/0037.m4a]]

근거 파일: [[review/audio/3-1/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 앞으로 다가올 한 번도 보지 못했던 unknown 또는 unseen 데이터셋 일반적으로 테스트 데이터라고 얘기하는 데이터에 대해서 그래서 X만 가지고 있을 때 Y를 정확하게 예측하고 싶은 거야. 일반적인 학습 모델들은 이런 예측을 하기 위해서 많이 활용됩니다. 그래서 설명을 하고 싶어, 디스크립티브 프로치, 또는 예측하고 싶어, 프레딕티브 프로치,

2차 전사:  일반적으로 테스트 데이터라고 얘기하는 데이터에 대해서 X만 가지고 있을 때 Y를 정확하게 예측하고 싶은 거야. 일반적인 학습 모델들은 이런 예측을 하기 위해서 많이 활용됩니다. 그래서 이런 설명을 하고 싶어. Descriptive Approach. 또는 예측하고 싶어. Predictive Approach.

## 3-1 창 0038 · 00:32:05–00:32:30 · 중요한 의미 차이 미발견

통계적 모델링 목적의 영어 문구와 설명 의미 유지.

![[review/audio/3-1/clips/0038.m4a]]

근거 파일: [[review/audio/3-1/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 설명하고 예측한다. 그게 목적이다. 잘 이해하고 싶으면 될 것 같아요. 자 이거를 우리가 통계적인 측면과 머지러닝 측면에서 좀 나눠 볼 수가 있을 것 같아요 자 통계적인 모델링 측면에서는 일반적으로는 목적이 뭐라고 하냐면 Modeling inference about the relations between the variables 오케이? 그 의미는 뭐냐면 우리가 이 X 변수와 Y 변수가 있는데

2차 전사:  자 설명하고 예측한다. 그게 목적이다. 잘 이해하고 계신 것 같아요. 자 이거를 우리가 통계적인 측면과 머지 러닝 측면에서 나눠 볼 수가 있을 것 같아요. 자 통계적인 모델링 측면에서 일반적으로는 목적을 뭐라고 하냐면 modeling inference about the relations between the variables. ok 의미는 뭐냐면 우리가 이 x 변수와

## 3-1 창 0039 · 00:32:33–00:32:40 · 중요한 의미 차이 미발견

유의한 관계 예시가 2차창끝 밖. 의미 변경으로 세지 않음; 인과관계 증명으로 확대 금지.

![[review/audio/3-1/clips/0039.m4a]]

근거 파일: [[review/audio/3-1/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 변수들 간에 아주 뚜렷한 패턴들이 있다는 것들을 좀 규명해 보고 싶은 거예요 가지고 있는 데이터에 대해서 어떤 특징이 있다는지 알고 싶은 거예요. 예를 들어서 발 사이즈가 키에 어떤 영향을 주지? 아주 significant 한 이펙트를 주는구나. 아주 좋은 설명력을 가지고 있구나. 이런 것들을 이해해 볼 수 있다는 거죠.

2차 전사:  아주 뚜렷한 패턴들이 있다는 것들 좀 규명해 보고 싶은 거예요. 가지고 있는 데이터에 대해서 어떤 특징이 있다는지

## 3-1 창 0040 · 00:33:23–00:33:38 · 자료 근거 정정 있음

머신러닝이 2차에서는 통계학습으로 바뀜. 자료 p17의 열별 설명과 대조 가능.

![[review/audio/3-1/clips/0040.m4a]]

근거 파일: [[review/audio/3-1/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그럼 이게 첫 번째 목표와 두 번째 목표를 표현하고 있다고 생각하시면 될 것 같습니다. 이 때 일반적인 이 어프로치에 따라서 데이터의 타입은 상대적으로 스태티스컬 러닝은 사우타운에 대한 데이터를 좀 바울 수 있도록 되어 있고요. 머신러닝 어프로치에서는 차원 자체가 고타운 데이터를 주로 많이 다루기 때문입니다.

2차 전사:  표현하고 있다고 생각하시면 될 것 같습니다. 일반적인 어프로치에 따라서 데이터의 타입은 상대적으로 스태티스컬 러닝은 저 타원에 대한 데이터를 좀 봐오도록 되어 있고요. 스태티스컬 러닝 어프로치에서는 차원 자체가 보통

**자료·검토에 따른 정정:** 표의 열: Statistical Learning은low/mid, Machine Learning은low/high. 이는교안의경향비교이지배타적정의아님.

근거: PDF 물리 p.17의 렌더링 이미지 직접 확인. 머신러닝이 2차에서는 통계학습으로 바뀜. 자료 p17의 열별 설명과 대조 가능.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 17

[[pdf/4._Linear_Regression_I/page-017.jpg|자료 화면 열기]]

## 3-1 창 0041 · 00:33:53–00:34:02 · 중요한 의미 차이 미발견

고차원 데이터 언급 유지. 통계/ML의 엄격한 경계로 일반화하지 않음.

![[review/audio/3-1/clips/0041.m4a]]

근거 파일: [[review/audio/3-1/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 경우에는 상대적으로 더 고타운 데이터에 대해서 핸들링하기 위한 그런 메시지를 더 많이 연구했다는 얘기죠. 스태티스컬 러닝에서 또 두드러진 특징 중에 하나는

2차 전사:  경우에는 상대적으로 더 고타운 데이터에 대해서 핸들링하기 위한 메시지를 더 많이 연구한다는 얘기죠. Statistical Learning에서

## 3-1 창 0042 · 00:34:13–00:34:50 · 중요한 의미 차이 미발견

통계와 ML을 함께 사용한다는 핵심 유지. 완전히 다르다라는 표현은 일반 정의로 확정하지 않음.

![[review/audio/3-1/clips/0042.m4a]]

근거 파일: [[review/audio/3-1/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 머치 러닝은 사실상 데이터 사이즈에 대한 한계성은 좀 두지는 않은 것 같아요. 그래서 huge size of data 이런 데이터들에 대해서 일반적으로 다루는 것들을 머신 러닝에서 많이 다루게 되죠. 그래서 어떤 통계학적인 측면에서의 학습 모델을 구축하는 것과 머신러닝에 대해서 다루는 바 자체는 교양성이 완전히 다르긴 하지만 분명한 건 뭐냐면 여러분들이 일반적으로 다루게 되는 모든 알고리즘, 앞으로 구하게 되는 모든 알고리즘, 최근에 나오는 모든 알고리즘은 사실은 이 두 가지가 같이 들어가 있다는 부분들을 통기를 제외하고 머신러닝 알고리즘을 구축할 수 있냐? 없다.

2차 전사:  대한 한계성 좀 유지는 않은 것 같아요 그래서 휴즈 사이즈업 데이터 이런 데이터들에 대해서 일반적으로 다른 것들을 머신러닝에서 많이 다루게 되면 되죠 그래서 이제 어떤 통계학적인 측면에서의 학습모델을 구축하는 것과 머신러닝에 대해서 다르는 바 자체는 교양성이 완전히 좀 다르긴 하지만 분명한 건 뭐냐면 여러분들이 일반적으로 다루게 되는 모든 알고리즘, 앞으로 보게 되는 모든 알고리즘, 최근에 나오는 모든 알고리즘은 사실은 이 두 같이 들어가 있다는 부분들을 통계를 제외하고 머신러닝 알고리즘을 요청할 수 있냐 없다.

## 3-1 창 0043 · 00:35:11–00:36:07 · 학습 보류

X만 있는 학습을 두 출력 모두 supervised로 읽고, 10만=2만+9만 수치도 불일치. 학습 보류; 임의합계교정 금지.

![[review/audio/3-1/clips/0043.m4a]]

근거 파일: [[review/audio/3-1/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리 데이터가 X과 Y에 대한 어떤 설명력을 가지고 있는지를 잘 구축하도록 만들어주고 그래가지고 인퍼런셜을 해볼 수 있도록 만들어준다는 거죠. 자, 이 머신러닝에서는 어떻게 나누냐면 이거 이제 러닝 메커니즘에 따라서 다루기는 어떤 특점이 가까웠긴 한데 슈퍼바이스 러닝, 우리가 가지고 있는 X와 Y에 대한 페어드 데이터셋을 가지고 있을 때 일반적으로 취하는 거고요. 여러분들 배우고 갈 때는 슈퍼바이스 러닝이 좀 메인이 있습니다. 슈퍼바이스는 뭐냐면 X만 가지고 있고요. Y가 없어. X만 가지고 있을 때도 학습을 진행할 수가 있습니다. Y에서 방지, 저는 세미 슈퍼만의 수방지 우리가 가지고 있는 데이터가 10만개가 있는데 2만개는 X, Y 데이터세 있고 나머지 9만개는 X만 있어요 자 이럴 때 이 두 가지 데이터세트 Y가 붙어있는 논과 Y가 붙어있지 않은 샘플들 10만개를 전부 다 이용해서 학습에 이용하도록 만들어주는 게 세미 슈퍼만의 수라인이라고 보통 얘기합니다 이거 외에 셀프 슈퍼만의 수라인 이런 컨셉이 있고요

2차 전사:  그리고 인플루언서를 해볼 수 있도록 만들어 준다는 거죠. 머신러닝에서는 어떻게 나오냐면 이거 이제 러닝 메칸지 멘탈에서 다루는 어떤 특성에 가까웠긴 한데 슈퍼바이즈 러닝, 우리가 가지고 있는 X와 Y에 대한 페어드 데이터셋을 가지고 있을 때 일반적으로 취하는 거고요. 여러분들은 배우고 날 때는 슈퍼바이즈 러닝이 좀 메인이 있습니다. 슈퍼바이즈는 뭐냐면 X만 가지고 있고요. Y가 없어. X만 가지고 있을 때도 학습을 진행할 수가 있습니다. Semi-SuperMars 망치, 우리가 가지고 있는 데이터가 10만개가 있는데 망제는 X, Y 데이터가 있고 나머지 망제는 X만 있어요 이럴 때 이 두 가지 데이터셋, Y가 붙어 있는 논과 Y가 붙어 있지 않은 샘플들 10만개를 전부 다 이용해서 학습에 이용하도록 만들어주는게 Semi-SuperMars Learning, 예를 들면 준지도 학습이라고 보통 얘기합니다. 이거 외에 Self-SuperMars Learning 이런 컨셉의

## 3-1 창 0044 · 00:36:21–00:36:29 · 학습 보류

액션 최적화 강화학습 표현이2차에서 심하게손상. 실제발언 미확정.

![[review/audio/3-1/clips/0044.m4a]]

근거 파일: [[review/audio/3-1/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예측을 잘 하도록 만들어주는 게 아니라 액션을 최적화하기 위해서 만들어주는 어떤 강화성에 있는 배터리심도 있습니다. 이 머신러닝이 지금은 컴퓨터 사이언스의 백허러드를 가지고 있는 사람들만의 어떤 전유물은 아니고

2차 전사:  늦은 자라 액션을 계속하기 위해서 만들어주는 방안 씁니다. 이 머신러닝이 지금은

## 3-1 창 0045 · 00:36:39–00:36:48 · 학습 보류

통계학습을 버려야 한다는 문장은 후속 반론 전 일부만 포함. 이 창만 인용하지 않음.

![[review/audio/3-1/clips/0045.m4a]]

근거 파일: [[review/audio/3-1/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그것들을 좀 배우는 사람들이 전부 다 같이 참여해서 같이 하는 것도 좀 이해해볼 수 있는 것 같아요. 자 그럼에도 불구하고 지금 시기에 스태티스클러닝은 좀 오래된 거니까 버려야 될 것 같고

2차 전사:  그것을 좀 배우는 사람들이 전부 다 같이 참여해서 같이 자 그럼에도 불구하고 지금 시기에

## 3-1 창 0046 · 00:37:05–00:37:21 · 중요한 의미 차이 미발견

적은데이터에서도 관계규명이 유용하다는 후속문맥으로 앞창45를 반박. 일반 목적의 중요차이 없음.

![[review/audio/3-1/clips/0046.m4a]]

근거 파일: [[review/audio/3-1/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모델링의 특징을 두고 하는 게 아니라 다 읽지라도 우리가 의미 있는 트론트를 관계성에 대한 규명들을 하게 된다면 스타디스컬 러닝을 해야 될 때도 있고 머싱 러닝과 버젤을 해야 될 때도 있는 거예요. 오케이. 자, 리니어 레그레이션 다시 한번 돌아옵시다.

2차 전사:  두고 하는게 아니라 그리고 이제 적은 데이터 일지라도 우리가 의미있는 트론트 관계성에 대한 규명들을 하게 된다면 Statistical Learning을 해야 될 때도 있고 Machine Learning Appraisal을 해야 될 때도 있는거에요. Ok. 자, Linear Regression

## 3-1 창 0047 · 00:37:36–00:37:45 · 학습 보류

well-fitted로 추정되는 영어가 양쪽 손상. 실제용어 미확정.

![[review/audio/3-1/clips/0047.m4a]]

근거 파일: [[review/audio/3-1/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 그래서 우리가 이런 모델을 자체가 우리 모델인 거죠 자 그래서 이런 노란색 관측이 갈 때라면 이거는 뭐의 파티티드 케이스야 잘 맞췄어?

2차 전사:  모델을 하나 만들어 봤어요. 이 선 자체가 우리 모델인거죠. 자 그래서 이런 노란색 관측지가 있다면 이거는 web-added case야. 잘 맞춰서

## 3-1 창 0048 · 00:38:09–00:38:17 · 학습 보류

실패하지 않다/쉽지 않다 가능성이 갈려 평가 결론 확정 불가.

![[review/audio/3-1/clips/0048.m4a]]

근거 파일: [[review/audio/3-1/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아주 좋네. 그렇다면 좋고 맛 나쁘고 얘기하는데 큰다는 건가요? 실패하지 않다는 거죠. 우리가 아버지의 키를 봤을 때 실제 예측할 수

2차 전사:  자 그렇다면 좋고 나쁘고 얘기하는데 끝나는 건가요? 실패하지 않다는 거죠. 우리가 아버지의 키를 봤을 때

## 3-1 창 0049 · 00:38:44–00:38:56 · 중요한 의미 차이 미발견

실제값과 예측값 차이 설명 유지; 2차는 식을 읽은 부분이 잘려 별도 식검증 불가.

![[review/audio/3-1/clips/0049.m4a]]

근거 파일: [[review/audio/3-1/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): y에서 y hat만큼 틀렸어 라고 얘기를 한다는 거죠 자 그래서 이게 우리가 학습 모델 이 검은색 학습 모델이었던 f를 가지고 아버지의 키를 가지고 아들의 키에 대해서 추론했던 식이 이거죠

2차 전사:  틀렸어 라고 얘기를 한다는 거죠. 그래서 우리가 학습모델이 검은색 학습모델이었던 F를 가지고 아버지의 키를 가지고

## 3-1 창 0050 · 00:39:32–00:39:50 · 자료 근거 정정 있음

표준정규분포라는 원전사와 자료 N(0,σ²)가 다름. 평균0만으로 표준정규가 아님.

![[review/audio/3-1/clips/0050.m4a]]

근거 파일: [[review/audio/3-1/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 일반적으로 어떤 특징들을 가지고 우리가 상용생의 모델은 아주 강력한 과정을 통하고 있는데요. 이 과정은 이 입실론이라는 게 랜덤 에러라고 부르고요. 이 랜덤 에러가 정규성 과정을 따른다고 얘기하는 부분입니다. 그래서 정규성 과정을 따른다고 한다면 특히나 이 정규성 과정 중에서도 표준 정규분포를 따른다고 얘기를 합니다.

2차 전사:  우리가 모델링하게 됐는지에 대해서 얘기해 봤습니다. 자, 상용 생애 모델은 아주 강력한 가정을 가고 있는데요. 이 가정은 이 입실론이라는 게 랜덤 에러라고 부르고요. 이 랜덤 에러가 정규성 가정을 따른다라고 얘기하는 부분입니다. 자, 그래서 정규성 가정을 따른다고 한다면

**자료·검토에 따른 정정:** 교안의 오차가정은 ε_i~N(0,σ²). σ²=1이라는조건없으므로 표준정규N(0,1)로바꾸면안됨.

근거: PDF 물리 p.24의 렌더링 이미지 직접 확인. 표준정규분포라는 원전사와 자료 N(0,σ²)가 다름. 평균0만으로 표준정규가 아님.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 24

[[pdf/4._Linear_Regression_I/page-024.jpg|자료 화면 열기]]

## 3-1 창 0051 · 00:39:57–00:40:21 · 자료 근거 정정 있음

표준정규 및 95/99% 범위 문맥 주의. 표준정규라고 할 근거 없음; kσ의 확률과 σ값 구분.

![[review/audio/3-1/clips/0051.m4a]]

근거 파일: [[review/audio/3-1/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이 입실론에 대한 기기값은 얼마? 표준 정규분포니까 센터링되어 있는 이 정규모, 별 쉐입을 생각해보면 되는 거예요. 그래서 여기가 0이고요. 이게 이렇게 이제 플러스 시그마, 마이너스 시그마 그래서 일정 수준 이상이 여기 2시그마, 3시그마 이렇게 해서 거의 95%, 99% 이상의 해당되는 모든 케이스들이

2차 전사:  기기값은 얼마? 표준정규문법이니까 센터링되어 있는 이 정규문법, variable을 생각해보면 되는거에요. 그래서 여기가 0이구요. 이게 이렇게 이제 플러스 시그마, 이렇게 마이너스 시그마 그래서 일정 수준 이상이 뭐 여기 2 시그마, 3 시그마 이렇게 해서 거의 뭐 95%

**자료·검토에 따른 정정:** N(0,σ²)의평균0과분산σ².표준정규로부르려면표준화ε/σ필요.

근거: PDF 물리 p.24의 렌더링 이미지 직접 확인. 표준정규 및 95/99% 범위 문맥 주의. 표준정규라고 할 근거 없음; kσ의 확률과 σ값 구분.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 24

[[pdf/4._Linear_Regression_I/page-024.jpg|자료 화면 열기]]

## 3-1 창 0052 · 00:40:50–00:41:05 · 학습 보류

60% 이상이라는 표현이 창끝 밖으로 잘림; 몇σ 구간인지 불명확하므로68%로 임의수정 안함.

![[review/audio/3-1/clips/0052.m4a]]

근거 파일: [[review/audio/3-1/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 거의 대부분의 60% 이상이 이 사이에 있을 거야 라고 얘기한다면 나쁘지 않겠죠. 이 가정이 맞다면 이게 그게 많이 먹더러 갈 겁니다. 이 랜덤 에러라는 게 기대값, 그러니까 평균이 0이고요. 센트럴이 되어 있고요. 이것에 대한 분산은

2차 전사:  차이에 있을 거야 라고 얘기한다면 나쁘지 않겠죠. 이 가정이 맞다면 이게 그래 많이 먹혀 들어갈 겁니다. 자 그래서 이 랜덤 에러라는 게 기대값, 그러니까 평균이 0이고 센트링 되어 있고요. 그럼 비보이 대화 분산

## 3-1 창 0053 · 00:41:10–00:41:24 · 자료 근거 정정 있음

2차가 심하게 붕괴. N(0,σ²),기대값0,분산σ²는 자료로만 확정.

![[review/audio/3-1/clips/0053.m4a]]

근거 파일: [[review/audio/3-1/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 가지고 있는 예측 모델에 대한 결국은 제 주인공은 뭐다? 이 입실론이다. 이 입실론이 정규문포를 따르는데 0 센트럴이 있고 그거에 대한 퍼져있는 정도의 베리언스는 시그마 제곱이다.

2차 전사:  우리가 있는 어 지금 있는 이제 특모델에 대한 결국 이제 중국 모자 이 필요하니까 이정규 무거워 아 좀 기이 입질러 니 정규모를 따르는데 영생 그런 게 있고 어그 대한 어떤 퍼져 있는 정도의

**자료·검토에 따른 정정:** E(ε_i)=0, Var(ε_i)=σ², ε_i~N(0,σ²).

근거: PDF 물리 p.24의 렌더링 이미지 직접 확인. 2차가 심하게 붕괴. N(0,σ²),기대값0,분산σ²는 자료로만 확정.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 24

[[pdf/4._Linear_Regression_I/page-024.jpg|자료 화면 열기]]

## 3-1 창 0054 · 00:41:40–00:41:48 · 학습 보류

함수인수와 관측치i 표현 모두 손상, 학습 보류.

![[review/audio/3-1/clips/0054.m4a]]

근거 파일: [[review/audio/3-1/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 f는 f of x라고 얘기할게요 그러면 f x i야 f of i를 우리가 보지못했던 i번째 반칙치를 넣으면

2차 전사:  예 푸는 에프 엑스 라고 얘기할 게 오면 x 아이야 에프 아기가

## 3-1 창 0055 · 00:41:51–00:42:02 · 중요한 의미 차이 미발견

yi hat이라는 예측값 의미 유지. 문장 끝 잘림.

![[review/audio/3-1/clips/0055.m4a]]

근거 파일: [[review/audio/3-1/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 값은 뭐가 튀어나오는 거 있죠? 이 값은 yi hat이었어요. 그렇죠? 자, y hat과 그러니까 추정, 나버지 키를 가지고 아들의 키를 추정했던 것과

2차 전사:  이 값은 뭐가 튀어나온거죠? 이 값은 yi hat 이였어요. 그렇죠? 자 y hat과

## 3-1 창 0056 · 00:42:23–00:42:36 · 중요한 의미 차이 미발견

정규성 가정/가중 음역차이. 본문 의미 변화 없음.

![[review/audio/3-1/clips/0056.m4a]]

근거 파일: [[review/audio/3-1/0056.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 이거는 우리가 머들링한 거니까 정해져 있는 거고요 여기 지금 보면 우리가 예측 오류에 해당되는 입실론에 대한 부분은 정규성 가정으로 가져왔어요 이걸 가지고 좀 얘기를 해볼게요 자 우리가 y에 대한 기대값, i번째 y에 대해서 기대값을 얼마로 가져왔냐면

2차 전사:  이거는 우리가 모델링 한 거니까 정해져 있는 거고요. 여기 지금 보면 우리가 예측 오류에 해당되는 입실론에 대한 부분은 정규성 가중을 가지고 왔죠. 이걸 가지고 좀 얘기를 해볼게요.

## 3-1 창 0057 · 00:42:40–00:42:46 · 학습 보류

이것/요것 지시어 많고 화면식 없으면 독립 문장으로 해석 불가. 식은 자료 p25참조.

![[review/audio/3-1/clips/0057.m4a]]

근거 파일: [[review/audio/3-1/0057.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 우리가 y에 대한 기대값, i번째 y에 대해서 기대값을 얼마로 가져왔냐면 y는 실제 우리가 가지고 있는 건 뭐죠? 어 여기 있네요 이거를 가져왔고요 실제 두 번째 턴에 해당되는 부분은 이거를 여기도 가져왔어요

2차 전사:  가져왔냐면 y는 실제 우리가 가지고 있는 건 뭐죠? 요게 있네요. 요거를 가져왔구요. 실제 두 번째 턴에

## 3-1 창 0058 · 00:42:50–00:43:03 · 중요한 의미 차이 미발견

E(ε)=0을 없앤다는 전개를2차에서 명확히 출력. 방향 차이 없음.

![[review/audio/3-1/clips/0058.m4a]]

근거 파일: [[review/audio/3-1/0058.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 이 부분은 그대로 남겨두고요 대해서 expectation 얼마라고 얘기했죠? 앞에 부위에 보면 0이구나 라고 얘기했죠? 이건 날아가고요. 앞에 이 부분만 좀 남겨지게 되면 됩니다. 그런데 자 봐봐.

2차 전사:  부분은 그대로 남겨 두고요 입실론에 대해서 expectation 얼마라고 얘기했죠? 앞에 V 보면 0이구나 라고 얘기했죠? 그럼 이거 날아가고요 앞에 이 부분만 좀 남겨 지게끔 됩니다

## 3-1 창 0059 · 00:43:10–00:43:48 · 학습 보류

고정 X와 모수의 기댓값 처리 설명. 추정량βhat와 모집단β를 혼동할 위험은 조건 메모로 분리.

![[review/audio/3-1/clips/0059.m4a]]

근거 파일: [[review/audio/3-1/0059.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 학습모델 구축 측면에서는 주어져 있는 각지예요. 이거는 정해져 있다. 왜냐하면 가지고 있는 데 있다니까. 그리고 그걸 가지고 우리가 추정해 본 파라미터 이 beta0와 beta1도 우리가 출원하는 시절에서는 이미 가지고 있다. 이것도 정해진 값이야. 정해져 있는 값을 expectation 씌우면 어떻게 되지? 그대로 튀어나오고 있다. 그래서 y, i번째 y에 대한 expectation 어떻게 나온다? 이렇게 나온다. 오케이. 자, 두번째 y에 대한 기대값. 이렇게 도출 됐어요. 이건 뭐였죠? 우리 모델 F다. 자 우리가 이 핵성 모델, 빅도바 Y의 관계성에 의해서

2차 전사:  모델 구축 측면에서는 주어져 있는 값이에요. 그렇죠? 이거는 정해져 있다. 왜냐하면 가지고 있는 데 있다니까. 또 그리고 그걸 가지고 우리가 추정해 본 파라미터 이 beta0, beta1도 우리가 학습을 통해서 이미 출원하는 시점에서는 이미 가지고 있다. 이것도 정해진 값이야. 정해져 있는 값을 expectation 씌우면 어떻게 되지? 그대로 튀어나오고 있어요. 그래서 i 번째 y에 대한 expectation은 어떻게 나옵니까? 이렇게 나옵니다. ok. 자 두번째 y에 대한 기대도 이렇게 도출할 때, 이건 뭐죠? 우리 모델 f다. 자 우리가 이 학습모델

## 3-1 창 0060 · 00:44:02–00:44:45 · 자료 근거 정정 있음

X가1증가할때Y가1증가로 두모델 모두읽음. 일반 기울기는β1이며 계수1은특수예. 자료 p13확인.

![[review/audio/3-1/clips/0060.m4a]]

근거 파일: [[review/audio/3-1/0060.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Y에 대한 어떤 분산을 갖다 추론해 보고 싶어. 될 때 어떻게 하는 거죠? 이 VI에다가 YI는 뭐 있죠? 이 두 가지 분모로 분기. 그래서 유통하나 유통하나 각각을 뒤집어 넣어서 어떻게 노출되는 거죠? 두 가지 term으로 이루어져 있었죠 자 첫 번째 beta0와 beta1과 x에 대한 세 가지 컴포먼트로 구성되어 있는 beta1은 x i번째, x1인 거예요 이거에 대해서 곱해졌었던 개수야 x1이 1 증가했을 때 얼마만큼 증가한다고 y가 더 1만큼 증가하도록 만들어주는 개수고요 베타0은 기본적으로 더해졌었던 이 측면에서 봤을 때 이 두 가지를 아까 앞에서 뭐라고 했죠?

2차 전사:  이렇게 어떻게 하는 거죠? 이 vi에다가 yi는 뭐 있죠? 이 두 가지 텀으로 구성되어 있는 거죠. 그래서 new term 하나, new term 하나 각각을 뒤집어 넣어서 이 두 가지가 어떻게 노출되는 거죠? 두 가지 텀으로 이루어져 있었죠. 자 첫 번째, beta0와 beta1과 그리고 x에 대한 세 가지 컴포넌트로 구성되어 있는 x1은 x1인거에요. 이거에 대해서 곱해졌었던 개수야. x1이 1 증가했을 때 얼마만큼 증가한다고? y가 1만큼 증가하도록 만들어주는 개수구요. 그 다음은 기본적으로 더해졌었던 예측면에서 봤을 때 이 두 가지를 아까 앞에서 뭐라고 했죠?

**자료·검토에 따른 정정:** 단순회귀의일반기울기β1: X가1증가하면모형평균은β1만큼변화.1만큼은β1=1일때.

근거: PDF 물리 p.13의 렌더링 이미지 직접 확인. X가1증가할때Y가1증가로 두모델 모두읽음. 일반 기울기는β1이며 계수1은특수예. 자료 p13확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 13

[[pdf/4._Linear_Regression_I/page-013.jpg|자료 화면 열기]]

## 3-1 창 0061 · 00:44:59–00:45:15 · 중요한 의미 차이 미발견

고정부분 분산0, 오차분산σ²라는 의미와 숫자 유지.

![[review/audio/3-1/clips/0061.m4a]]

근거 파일: [[review/audio/3-1/0061.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그거에 대한 흔들려지는 값은 0이 됩니다 오케이 이건 0이야 그럼 뒤늦은 한번 얘기해볼까? 이 실론에 의해서 분산 어떻게 되어있죠? 시그마 제곱이다. 그러면 뭐냐면 우리가 추론하고자 하는 데이터 포인트가

2차 전사:  대한 흔들려지는 값은 0이 됩니다. 오케이 이건 0이야. 그럼 뒤는 것 한번 얘기해 볼까? 이 신론에 대해서 분산 어떻게 되어있죠? 아, 시그마 제곱이구나. 아, 그럼 시그마 제곱이다. 의미는 뭐냐면 우리가 추론을...

## 3-1 창 0062 · 00:45:31–00:45:44 · 학습 보류

σ만큼 흔들림이라는 표현은 정확한 오차값=σ가 아니라 표준편차 규모. 개별오차와σ를 같다고 외우지 않음.

![[review/audio/3-1/clips/0062.m4a]]

근거 파일: [[review/audio/3-1/0062.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 기대되어지는 이 값의 선분 위에 있는 값이 이 값이죠 값에서 시그마 값 우리가 맞추지 못하는 랜덤 에러 값만큼 흔들려진다.

2차 전사:  우리가 기대 되어지는 요 값, 선분 위에 있는 값이 기대 값이죠. 예를 들어, 시그마 값, 그러니까 우리가 맞추지 못하는 랜덤 에러 값만큼 흔들려진다.

## 3-1 창 0063 · 00:46:13–00:46:21 · 중요한 의미 차이 미발견

기댓값/기적값 오인식. 예측평균 주변 오차분산이라는 의미 유지.

![[review/audio/3-1/clips/0063.m4a]]

근거 파일: [[review/audio/3-1/0063.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Y에 대한 기적값은 뭐라고? 우리가 예측값이다 그럼 예측값이니까 예측값으로부터 이게 랜덤 에러만큼의 퍼져 있을 정도의

2차 전사:  우리가 예측값이시다. 그럼 예측값이니까 예측값으로부터 이게 랜덤 에러만큼의

## 3-1 창 0064 · 00:46:33–00:47:05 · 중요한 의미 차이 미발견

자료의 평균적 경향 피팅이라는 의미 유지. 최고모델 보장으로 확대해석 금지.

![[review/audio/3-1/clips/0064.m4a]]

근거 파일: [[review/audio/3-1/0064.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 이 성분이 FOX를 가장 잘 찾은 것이냐 가장 좋은 것이냐 어디 어떤 성분이 가장 좋은 건가요 x가 하나였을 때는 사실상 가장 좋은 모델이 어 요 가운데 지점 좀 따라가고 있구나 평균적으로 봤을 때 이 앱프 x라는 것은 전반적인 샘플들에 대한 어떤 평균적인 특징을 잘 가장 잘 모사할 수 있는 거다 라고 얘기할 수 있을 겁니다 일반적으로 이걸 우리가 모두 뭐라고 부른다면 피팅이라고 부릅니다 피팅해가는 과정 중에서 어떤 모델이 가장 좋은 건지 사실 이거를 알 수가 없는 게 아니라 알고 싶은 거죠

2차 전사:  f 를 가장 잘 찾은 것이냐. 어떤 것이 가장 좋은 것이냐. 어디 어떤 성분이 가장 좋은 건가요? x가 하나였을 때는 사실상 가장 좋은 모델이 이 가운데 지점을 따라가고 있구나. 평균적으로 봤을 때 이 f 라는 것은 전반적인 샘플들에 대한 어떤 평균적인 특징을 가장 잘 모사할 수 있는 거다 라고 얘기할 수 있을 겁니다. 일반적으로 이걸 우리가 뭐라고 부른다면 피팅 이라고 봅니다 이팅

## 3-1 창 0065 · 00:47:11–00:47:22 · 자료 근거 정정 있음

β값 찾기가2차에서 데이터값 찾기로 바뀜. 자료 p33의 최적화 대상β0,β1 확인.

![[review/audio/3-1/clips/0065.m4a]]

근거 파일: [[review/audio/3-1/0065.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 피팅해가는 과정 중에서 어떤 모델이 가장 좋은 건지 사실 이거를 알 수가 없는 게 아니라 알고 싶은 거죠 그 다음에 이 선분을 결정하게 되는 건 도체 뭐죠? 패타깝을 찾는 겁니다 이 패타깝을 찾는 데이터를 가장 잘 설명하는 파라미터를 할지 알아

2차 전사:  알 수가 없는게 아니라 알고 싶은 거죠 그 다음에 이 선분을 결정하게 되는 건 도체 뭐죠? 데이터값을 찾는 겁니다 이 데이터를

**자료·검토에 따른 정정:** 최소화대상 파라미터는 β0,β1.

근거: PDF 물리 p.33의 렌더링 이미지 직접 확인. β값 찾기가2차에서 데이터값 찾기로 바뀜. 자료 p33의 최적화 대상β0,β1 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 33

[[pdf/4._Linear_Regression_I/page-033.jpg|자료 화면 열기]]

## 3-1 창 0066 · 00:47:29–00:47:41 · 학습 보류

β값 추정/learning 명칭이 잘림. 교수 발언의 용어를 확정하지 않음.

![[review/audio/3-1/clips/0066.m4a]]

근거 파일: [[review/audio/3-1/0066.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Y를 가장 잘 예측하도록 만들어주는 파라미터는 도대체 무엇이냐고 한다면 세탁값들의 조합을 잘 찾아라 라고 얘기하는 거예요. 그걸 우리가 뭐라고 그러냐면 성형이라고 부릅니다. 그쵸? 성형회기 모델이라는 아주 간단한 모델을 이용해서

2차 전사:  사람에서는 도대체 무엇이냐 라고 한다면 저 베타 값들의 조합을 잘 찾아라 라고 얘기하는 거예요. 그걸 우리가 뭐라고 부르냐면, 그쵸.

## 3-1 창 0067 · 00:49:05–00:49:17 · 학습 보류

첫번째/두번째 데이터 포인트가 달라짐. 화면의 F1/F2 대응은 이 텍스트만으로 확정 불가.

![[review/audio/3-1/clips/0067.m4a]]

근거 파일: [[review/audio/3-1/0067.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 첫 번째 데이터 포인트로부터 F1이 추론 됐을 때의 랜덤 에러 또는 두 번째 데이터 포인트로부터 나서 랜덤 에러 이 두 번째 데이터 포인트에서 F2까지의 거리 또 실제 두 번째 데이터 포인트로부터 F2의 수루점까지의 거리

2차 전사:  F1이 추론됐을 때의 랜덤 에러 또는 두 번째 데이터 포인트로부터 나왔을 때의 랜덤 에러 이 두 가지를 보여주고요. 첫 번째 데이터 포인트에서 F2까지의 거리 또 실제

## 3-1 창 0068 · 00:49:41–00:49:49 · 중요한 의미 차이 미발견

찾는 것이 β파라미터라는 의미 유지.

![[review/audio/3-1/clips/0068.m4a]]

근거 파일: [[review/audio/3-1/0068.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 과정을 통해서 우리는 가장 좋은 학습모델 찾을 거예요. 끝이 찾는 게 뭐다라고 해서 베타들을 찾는 거고 베타값들, 우리가 파라미터를 찾는 것들을 뭐라고 했죠?

2차 전사:  좋은 학습모델 찾을 거예요 그 찾는게 뭐더라 해서 베타를 찾는 거고 베타값들 그러니까 우리가 이제 파라미터를

## 3-1 창 0069 · 00:49:53–00:50:01 · 중요한 의미 차이 미발견

세 단계 학습 절차라는 숫자 유지. 2차 말미 잘림.

![[review/audio/3-1/clips/0069.m4a]]

근거 파일: [[review/audio/3-1/0069.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 파라미터 이스티메이션 또는 러닝이라고 배웠습니다. 이 과정을 세 가지로 나눠서 얘기를 할게요. 쉽게 얘기했던 대로 예측값과 실측값의 차이를 고려보자.

2차 전사:  또는 learning 이라고 배웠습니다. 이 과정을 3가지로 나눠서 이야기 해볼게요. 첫번째는 앞에서 쉽게 이야기 했던 대로

## 3-1 창 0070 · 00:50:23–00:50:39 · 자료 근거 정정 있음

파라미터가1밖에없다라는 오인식 위험. 자료 p33에서는β0,β1 두개를최적화.

![[review/audio/3-1/clips/0070.m4a]]

근거 파일: [[review/audio/3-1/0070.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 우리가 찾아야 되는 바람이 딱히 1이 밖에 없어. 베타0, 베타1. 이 두 가지를 를 말하자. 두 번째, 비용함수를 미니마이즈 하도록 만들어주는 beta0와 beta1의 argument 뒤에 이제 어떤 식이 있을 거예요 이 식을 최소화하도록 만들어주는 beta0와 beta1 찾아라

2차 전사:  할인한 게 1밖에 없어. 베타0, 베타1. 이 두 가지를 미니마이즈 하자. 그래서 두 번째, 비용 함수를 미니마이즈 하도록 만들어주는 베타0와 베타1의 argument. 뒤에 이제 어떤 식이 있을 거예요. 이 식을 최소화하도록 만들어주는

**자료·검토에 따른 정정:** 해당목적식의최적화변수는 β0와β1 두개.

근거: PDF 물리 p.33의 렌더링 이미지 직접 확인. 파라미터가1밖에없다라는 오인식 위험. 자료 p33에서는β0,β1 두개를최적화.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 33

[[pdf/4._Linear_Regression_I/page-033.jpg|자료 화면 열기]]

## 3-1 창 0071 · 00:51:33–00:51:40 · 학습 보류

못봐요/구할수있다 표현 불일치와 예시 개수, 가능 여부 미확정.

![[review/audio/3-1/clips/0071.m4a]]

근거 파일: [[review/audio/3-1/0071.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): N개의 관측지가 만약에 10만개야, 한 천만개야 아, 100만개야 구할 수 있습니다. 빵! 하면 금방 차이 구하고

2차 전사:  n개의 관측수가 만약에 10만개야, 1000만개야, 100만개야 못봐요? 못봐요? 알 수 있습니다.

## 3-1 창 0072 · 00:52:59–00:53:14 · 자료 근거 정정 있음

실제값과 예측값 차이의 제곱합은 자료 p33과 대응. 2차 말미 잘림.

![[review/audio/3-1/clips/0072.m4a]]

근거 파일: [[review/audio/3-1/0072.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 두 번째 단계는 거리를 구하는 방법을 찾았으니까 그 거리를 구하는 방법 자체의 식을 argument 안에다 집어넣는 거예요 그러면 이 안에 있는 수식이 돼 있는 거리를 구하는 식이죠 그러면 실제 값과 S값에 대한 차이의 제곱의 합을

2차 전사:  두 번째 단계는 거리를 구하는 방법을 찾았으니까 그 거리를 구하는 방법 자체에 식을 argument 안에다 집어넣는 거야. 그러면 이 안에 있는 수식이 위에 있는 거리를 구하기 식이죠. 그러면 실제 값과 예측 값에 대한 차이의

**자료·검토에 따른 정정:** 잔차제곱합 Σ_i[Y_i−(β0+β1X_i)]² 를최소화.

근거: PDF 물리 p.33의 렌더링 이미지 직접 확인. 실제값과 예측값 차이의 제곱합은 자료 p33과 대응. 2차 말미 잘림.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 33

[[pdf/4._Linear_Regression_I/page-033.jpg|자료 화면 열기]]

## 3-1 창 0073 · 00:53:19–00:53:27 · 자료 근거 정정 있음

β0β1 및 argmin 음역 손상. 자료 p33의 목적식과 최적화변수를 제시.

![[review/audio/3-1/clips/0073.m4a]]

근거 파일: [[review/audio/3-1/0073.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): argument에 있는 이 식을 최소한도로 만들어줄 수 있는 배타저로 배턴을 찾아라 하는 비용이 함수가 된다. 비용 함수를 cost function. cost는 뭐죠? 줄여야 돼.

2차 전사:  만들 수 있는 대조로 배터리 원을 찾아라 이게 프레임트라고 하는 비용이 함수가 된다 비용함수를 cost function cost는 뭐죠

**자료·검토에 따른 정정:** argmin_{β0,β1} Σ_i[Y_i−(β0+β1X_i)]².

근거: PDF 물리 p.33의 렌더링 이미지 직접 확인. β0β1 및 argmin 음역 손상. 자료 p33의 목적식과 최적화변수를 제시.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 33

[[pdf/4._Linear_Regression_I/page-033.jpg|자료 화면 열기]]

## 3-1 창 0074 · 00:54:00–00:54:12 · 중요한 의미 차이 미발견

목적함수30→29→26 감소 예시.2차는26전에 잘려, 다른수치로 판단하지 않음.

![[review/audio/3-1/clips/0074.m4a]]

근거 파일: [[review/audio/3-1/0074.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 서치 알고리즘을 통해서 우리가 베타 제로와 베타 원이 이 됐을 땐 어떻게, 이 목적식 값이 어떻게 됐는데 뭐 30이었는데 베타 제로를 조금 바뀌었더니 29가 됐고 또 베타 원을 또 바뀌었더니 26이 됐고 베타 제로 조금 바뀌었더니

2차 전사:  이 서치 알그로드는 통해서 우리가 베타 0과 베타 1이 이랬을 때는 이 목적지 값이 어떻게 됐는데 30이었는데 베타 0을 조금 바뀌었더니 29가 되고 또 베타 1을 또 바뀌었더니

## 3-1 창 0075 · 00:54:19–00:55:01 · 중요한 의미 차이 미발견

전역/전수 탐색, 두파라미터,2차함수 설명에 중요한 방향차이 없음.

![[review/audio/3-1/clips/0075.m4a]]

근거 파일: [[review/audio/3-1/0075.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 작으면 작을수록 좋은 조각인 거예요. 만들어주는 것 모든 것을 전력 탐색한다? 그럼 너무 시간이 많이 걸리겠죠? 그렇기 때문에 beta0, beta1 딱 타자의 달건에 파라미터 2개일지라도 효율적으로 탐색을 하도록 만들어주는 게 필요하다는 겁니다 자 그래서 우리가 이 파라미터 estimation 할 때 기본적인 quadratic function 이 탐색을 점점 해가지고 보도록 할게요 여기 보면은 우리가 이 제곱의 함수로 이루어져 있구나를 이해해 볼 수가 있겠어요 2제곱의 함수는 어떻게 생겨먹었죠? 제곱 만약에 1차 함수야 1차 함수는 어떻게 돼 있어? 1차 함수면 이렇게 돼 있거나 이렇게 돼 있어 2차 함수면 어떻게 돼 있지?

2차 전사:  작으면 작을수록 좋은 조각인 거예요. 그거를 찾게끔 만들어주는 거. 모든 거를 점다 이그자스텝트를 찾는다? 전역탐색한다? 그럼 너무 시간이 많이 걸리겠죠. 그렇기 때문에 베타0, 베타1 딱 찾아야 될 게 파라미터 2개일지라도 효율적으로 탐색을 하도록 만들어주는 게 필요하다는 겁니다. 자, 그래서 우리가 이 파라미터 시스템에이션 할 때 기본적인 쿼드라틱 펑션 이탐색에 대한 특징을 좀 생각해 보도록 할게요. 여기 보면은 우리가 이 제곱의 함수로 이루어져 있구나를 이해해 볼 수가 있겠어요. 이 제곱의 함수는 어떻게 생겨먹었죠? 제곱, 만약에 1차 함수야. 1차 함수는 어떻게 돼 있어? 1차 함수면 이렇게 돼 있구나. 이렇게 돼 있어.

## 3-1 창 0076 · 00:55:22–00:55:32 · 중요한 의미 차이 미발견

2차함수의 형태와 최소화 목적 유지.

![[review/audio/3-1/clips/0076.m4a]]

근거 파일: [[review/audio/3-1/0076.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 2탐수니까 생겨먹는게 어떻게 생겨먹었어? 이렇게 생겨먹거나 이렇게 생겨먹거나 둘 중에 하나이다 이제 중요한 건 뭐냐? 우리가 뒤에 있는 이 식을 코스트 펑션 자체를 미니마이즈 하고 싶은 거야

2차 전사:  이탐수니까 그럼 생겨먹는 게 어떻게 생겨먹었어 이렇게 생겨먹거나 이렇게 생겨먹거나 둘 중에 하나이다 이제 중요한 건 뭐냐 우리가 위에 있는 뒤에 있는 요 칩을

## 3-1 창 0077 · 00:55:49–00:56:03 · 중요한 의미 차이 미발견

cost축에서 최소값 위치라는 핵심 유지.지시어의 그림 위치는 독립인용불가.

![[review/audio/3-1/clips/0077.m4a]]

근거 파일: [[review/audio/3-1/0077.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 결국은 우리가 알고 싶은 건 이 Y축 자체에다가 코스트 값을 넣는다면 minimize 하도록 만들어 준다는 겁니다. 자 여기에서는 포스트 박, 이걸 값을 구한다면 어디죠? 여기 포인트가 될 거야. 그쵸? 여기 포인트가 여기가 최소값에 이루어지는 beta0, beta1의 값이 될 겁니다.

2차 전사:  코스트 값을 놓는다면 이 코스트 값이 미니마이샷으로 만들어 준다는 거고요. 자, 여기에서는 코스트 값, 이거를 코스트 값을 놓는다면 어디죠? 아, 여기 포인트가 될 거야. 그쵸? 여기 포인트가 여기.

## 3-1 창 0078 · 00:56:13–00:56:34 · 학습 보류

아래로 열린2차함수의 무제약 최소화 설명. 모든오목함수/제약영역에서 무조건 최소해없다고 확대불가.

![[review/audio/3-1/clips/0078.m4a]]

근거 파일: [[review/audio/3-1/0078.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 그리고 이 형식이었을 때, 이참수인데 이 형식이었을 땐 우리가 어디가 치수값이죠? 여기 이렇게 얘기할 수 있나요? 없어요 이거는 Negative Infinite Value를 가질 수밖에 없는 Concave Ampter라고 보통 얘기를 합니다 또 이제 우리 목적식 퍼스트 펑션 자체가 이렇게 생겼으면 여러분들은 가장 좋은 최소값 이 포스트를 미니마지하도록 만들어진

2차 전사:  어디가 치수값이죠? 여기, 여기, 여기가 얘기할 수 있나요? 없어요. 이거는 negative infinite value를 가질 수밖에 없는 concave arms라고 보통 얘기를 합니다. 결국 이제 우리 목적식, cost function 자체가 요렇게 요다고 생겼으면 여러분들은 가장 좋은 최소값이

## 3-1 창 0079 · 00:57:02–00:57:14 · 학습 보류

볼록이면 최소해존재라는 설명의 일반화 위험. 이 최소제곱식에는존재하지만 일반볼록함수는미달성가능.

![[review/audio/3-1/clips/0079.m4a]]

근거 파일: [[review/audio/3-1/0079.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 컨벡스 함수에서는 전역 대적화가 존재한다. 전역 대적화라는 게 뭐죠? 여기에서 우리가 가장 좋은 글로벌이 오피멀 하원스 오리전이 존재한다라는 걸 알게 된다는 얘기죠. 자 이거에 대해서 우리가 beta0에 대해서

2차 전사:  존재한다. 저는 대적하라는 게 뭐죠? 여기에서 우리가 가장 좋은 글로벌 옵티멀 안솔루션이 존재한다는 걸 이미 알게 된다는 얘기죠. 자, 이거에 대해서

## 3-1 창 0080 · 00:57:16–00:57:34 · 자료 근거 정정 있음

z축이2차에서베타축으로 읽힘. 자료p36의 세로cost함수 그림을 기준으로 정정.

![[review/audio/3-1/clips/0080.m4a]]

근거 파일: [[review/audio/3-1/0080.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 0야 beta0야. 이 축이 beta1이야. 그리고 z축이 의미하는게 우리가 가지고 있는 포스터 펑션이라는거에요. 포스터 펑션을 어떻게 해야 돼? 미니마이즈 해야 돼. 그럼 어떻게 생길지?

2차 전사:  자 이렇게 볼까? 이게 0야. 베타 0야. 요 축이 데타 1이야. 그리고 데타 축이 의미하는게 우리가 가지고 있는 포스터 펑션라는 거야. 포스터 펑션을 어떻게 해야 돼? 미니마이즈 해야 돼. 그럼 어떻게 생길게?

**자료·검토에 따른 정정:** β0,β1은모수축,표면의높이는cost(잔차제곱합).

근거: PDF 물리 p.36의 렌더링 이미지 직접 확인. z축이2차에서베타축으로 읽힘. 자료p36의 세로cost함수 그림을 기준으로 정정.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 36

[[pdf/4._Linear_Regression_I/page-036.jpg|자료 화면 열기]]

## 3-1 창 0081 · 00:58:32–00:58:40 · 자료 근거 정정 있음

β0,β1두모수 명칭이2차반복붕괴. 자료p35정상방정식으로 확인.

![[review/audio/3-1/clips/0081.m4a]]

근거 파일: [[review/audio/3-1/0081.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러분들이 연립선형 방정적을 생각해봤을 때 여기 보면 찾으려고 하는 모수가 뭐야 베타제로와 베타원이잖아 여러분들이 찾고자 하는 게 두 가지 모수가 있어

2차 전사:  여러분들이 연립선형 방정식을 생각해 봤을 때 여기 보면 찾으려고 하는 모수가 뭐야 베테베르 베토먼자 베테베르 베토먼자

**자료·검토에 따른 정정:** 두연립정상방정식은β0,β1에대한cost편미분을각각0으로놓은식.

근거: PDF 물리 p.35의 렌더링 이미지 직접 확인. β0,β1두모수 명칭이2차반복붕괴. 자료p35정상방정식으로 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 35

[[pdf/4._Linear_Regression_I/page-035.jpg|자료 화면 열기]]

## 3-1 창 0082 · 00:58:43–00:58:50 · 학습 보류

식두개라서해를구함은 유일성조건미포함. X값의변동이없으면유일하지않음.

![[review/audio/3-1/clips/0082.m4a]]

근거 파일: [[review/audio/3-1/0082.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 몇 개의 식이 있어? 하나, 둘, 식이 두 개야 그럼 구할 수 있어 없어 잘 여니까 우리가 미분 두 번만 하더라도

2차 전사:  근데 몇 개의 식이 있어? 하나, 둘, 식이 두 개야. 그럼 구할 수 있어 없어. 잘 여니까 우리가 미분 2개.

## 3-1 창 0083 · 00:58:58–00:59:44 · 중요한 의미 차이 미발견

베타에따른cost최소화와편미분0 설명유지. 유일성·존재조건은별도주의.

![[review/audio/3-1/clips/0083.m4a]]

근거 파일: [[review/audio/3-1/0083.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 베타제로와 베타원을 산술식으로 구해볼 수가 있다는 얘기죠 앞에서 설명했던 걸 다시 한번 리비시단다면 beta0, beta1이 결국 우리가 찾고자 하는 닥친 모델에 대한 파라미터인데 그래서 concave는 이미 나락으로 가고 있네 이거는 절대 계속해서 불가씨 없어요 이렇게 얘기하는 거고요 실제 컨백스한 건 뭐다? 컨백스는 y가 아니고 cost라고도 나눠주면 될 것 같아요 이 cost function에 대한 값을 미니마일 자대로 만들어주는 거 어디야? 글로벌 솔로션에 가지고 있는 게 바로 여기다 그래서 베타 제로와 베타 원이 측면해 봤을 때 베타 제로로 봐도 컨벡스하고 베타 원으로 봐도 컨벡스해 근데 그 지점은 같은 지점이에요 그렇기 때문에 베타 제로에 대해서 미분했을 때 0이 나오는 값은 어때요?

2차 전사:  그냥 산수식으로 구해볼 수가 있다라는 얘기죠. 앞에서 설명했던 걸 일단 다시 한번 revisit한다면 베타0와 베타1이 결국 우리가 찾고자 하는 받침 모델에 대한 파라미터인데 그래서 컨케이브는 이미 나락으로 가고 있네 이거는 절대 계속해서 구할 수 없어요 이렇게 얘기하는 거고요 실제 컴백스한 건 뭐다? 컴백스한 건 Y가 아니고 이게 cost라고 생각하시면 될 것 같아요 이거 cost function에 대한 값을 minimize하도록 만들어 주는 거 어디야? 글로벌 솔루션을 가지고 있는게 바로 여기다. 그래서 베타0와 베타1이 측면해 봤을 때 베타0로 봐도 컴백스하고 베타1으로 봐도 컴백스하고 그 지점은 같은 지점이에요. 그렇기 때문에 베타0에 대해서 2분했을 때 0이 나와요.

## 3-1 창 0084 · 00:59:59–01:00:13 · 중요한 의미 차이 미발견

양/음/0기울기와두편미분0 설명유지.지시어해당위치 독립인용불가.

![[review/audio/3-1/clips/0084.m4a]]

근거 파일: [[review/audio/3-1/0084.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 다른 데서 0 나와요? 안 나와. 여기에서 0이 나와? 아니야. 플러스 값이야. 여기서 0이 나와? 이건 마이너스 값이야. 이게 아니라는 얘기에요. 자 그래서 베타 제로에 대해서 미분 값이 0인 이 부위와 또 이게 베타 원에 대해서도 미분 값이 0이 나온 거. 그래서 그 두 가지 식을 이용해서 우리가 베타 제로와 베타 원이라는 파라미터를 잡도록 합니다.

2차 전사:  아니야 플러스 값이야 여기서 0 나와 이건 마이너스 값이야 근데 아니란 얘기야 자 그래서 베타0에 대해서 미분값이 0인 이 부위와 또 이게 베타1에 대해서도 미분값이 0이 나온거 그래서 그 두가지 식을 이용해서 우리가 베타0와 베타1

## 3-1 창 0085 · 01:00:23–01:00:38 · 중요한 의미 차이 미발견

볼록성조건의 도입, 정확한조건은다음창과PDF수식참조.

![[review/audio/3-1/clips/0085.m4a]]

근거 파일: [[review/audio/3-1/0085.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 이 컨백스 함수에 대한 기본적인 특징은 컨백스 티가 보장한다. 컨백스임을 증명하도록 만들어주는 거에서부터 시작합니다. 이냐 아니냐를 볼 수 있는 조건에 대한 것들을 제가 좀 어 어 이거를 이제 협의 의미가 아니라 좀 광의 의미에서 이 convex를 좀 얘기한다면 우리가 이미의 요 함수가 convex 함수이다 라고 얘기하려면 의미는 뭐냐면 여기에다가 이미의 선분

2차 전사:  만들어주는 거에서부터 시작합니다. 컴백스 있냐 아니냐를 볼 수 있는 조건에 대한 것들을 제가 좀 이거를 협의의 의미가 아니라 광의의 의미에서 컴백스를 얘기한다면 우리가 이미 이 함수가

## 3-1 창 0086 · 01:00:48–01:01:02 · 중요한 의미 차이 미발견

t와1−t가중치 동일. 합을취하는볼록결합 설명유지.

![[review/audio/3-1/clips/0086.m4a]]

근거 파일: [[review/audio/3-1/0086.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 빨간색 선을 그어놔요 자 그래서 이 선분이 만나는 지점을 a 지점과 b 지점이라고 얘기합니다 그래서 여기에서 A 지점에 T만큼 웨이트를 주고요. B 지점에는 1-T만큼 웨이트를 주게 되요. 이걸 합하면 어떻게 될까요?

2차 전사:  지점을 a 지점과 b 지점이라고 얘기합니다. 여기에서 a 지점에 t만큼 웨이트를 주고요. b 지점에는 1-t만큼 웨이트를 주게끔 돼요. 이걸 합하면 어떻게 될까?

## 3-1 창 0087 · 01:01:14–01:01:23 · 학습 보류

0.5/0.99가어느가중치를가리키는지 지시어손상. 보류.

![[review/audio/3-1/clips/0087.m4a]]

근거 파일: [[review/audio/3-1/0087.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 딱 T가 0.5 대 0.5였어. 이게 왜이미가? A, B 딱 정 가운데. 0.99 B가 0.99면 어떻게 해죠?

2차 전사:  딱 T가 0.5대 0.5였어. 이게 의미가 뭐야? A, B 딱 중앙 가운데. 만약에 T가 0.99 B가 0.99

## 3-1 창 0088 · 01:01:53–01:02:28 · 자료 근거 정정 있음

1−t를1만t로인식. 부등호방향은지시어로모호하므로자료p37의수식사용.

![[review/audio/3-1/clips/0088.m4a]]

근거 파일: [[review/audio/3-1/0088.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 e에 대해서 t마큼 weight를 주고 b 지점에 1만 t마큼 weight를 줬을 때 그걸 f에 집어넣었던 값과 이 값과 실제 f of a 배당되는 값이 있어 거기에 t마큼 weight를 주고 fb, b를 갖다가 1만 t를 곱하고 a하고 더하고 우리 하지 않고 b를 f에 집어넣고 나서 1만 t마큼 weight를 주는 거야 그러고 나면 항상 이 값이 2고보다 클 수밖에 없다라는 것들을 좀 얘기하고 있습니다 이 값은 어디를 따를까요? 이 a와 b 사이에 t라는 웨이트를 또는 1마스 t라는 웨이트를 이용해서 왔다 갔다 하는 값은 어디 있냐면

2차 전사:  b 지점에 1-t만큼의 weight를 줬을 때, f에 집어넣었던 값과 이 값과 실제 f 대상된 값이 있어. 거기에 t만큼의 weight를 주고 f , b를 갖다가 1-t를 곱하고 a하고 더하고 하지 않고 b를 f에 집어넣고 나서 1-t만큼의 weight를 주는 거야 어 그러고 나면 항상 이 값이 이 곡 보다 클 수밖에 없다 라는 것들을 좀 얘기하고 있습니다 자 이 값은 어디를 따를까요? 이 a 와 b 사이에

**자료·검토에 따른 정정:** f(tA+(1−t)B) ≤ t f(A)+(1−t)f(B), 0≤t≤1.

근거: PDF 물리 p.37의 렌더링 이미지 직접 확인. 1−t를1만t로인식. 부등호방향은지시어로모호하므로자료p37의수식사용.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 37

[[pdf/4._Linear_Regression_I/page-037.jpg|자료 화면 열기]]

## 3-1 창 0089 · 01:03:00–01:03:09 · 자료 근거 정정 있음

1−t를1만스/1-mask로인식. 자료p37의가중치표기확인.

![[review/audio/3-1/clips/0089.m4a]]

근거 파일: [[review/audio/3-1/0089.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): f of b를 찾아서 아까 먼저 설명했었던 대로 얘 상대적인 t와 1만스 t에 대한 값을 이용해서 이 사이의 성분을 가지고 이용하겠죠.

2차 전사:  fobb를 찾아서 아까 먼저 설명했었던 대로 얘 상대적인 t와 1-mask t에 대한 값을 이용해서 이 사이의 성분을 가지고 이용하겠죠

**자료·검토에 따른 정정:** 1−t: A에는t, B에는1−t 가중치.

근거: PDF 물리 p.37의 렌더링 이미지 직접 확인. 1−t를1만스/1-mask로인식. 자료p37의가중치표기확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 37

[[pdf/4._Linear_Regression_I/page-037.jpg|자료 화면 열기]]

## 3-1 창 0090 · 01:03:20–01:03:36 · 자료 근거 정정 있음

작거나같다/항상같다 차이 및 엄격볼록 설명손상. PDFp37≤확인, strict조건별도정정.

![[review/audio/3-1/clips/0090.m4a]]

근거 파일: [[review/audio/3-1/0090.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 값이 항상 같거나 또는 같다라는 것들을 의미하게 해냅니다 이게 광의 의미에서의 컨백스입니다 협의의 의미는 뭐다? 그러면 이 A와 B는 제외하고 보는 거예요 항상 같다라고 얘기하는 게 협의의 의미인데 그게 이제 문제를 떠나서 우리가 가지고 있는 이 F of X, 비용함수예요

2차 전사:  또는 같다 라는 것들을 의미하게 꺼냅니다. 이게 광의의 의미에서의 컴팩트입니다. 협의의 의미는 뭐다? 그러면 이거 A와 B는 제외하고 항상 같다 라고 얘기하는 게 협의의 의미인데 그게 이제 문제를 떠나서 우리가 가지고 있는 이

**자료·검토에 따른 정정:** 볼록성은≤이다. 엄격볼록성은 A≠B,0<t<1에서<이며,항상같음이아니다.

근거: PDF 물리 p.37의 렌더링 이미지 직접 확인. 작거나같다/항상같다 차이 및 엄격볼록 설명손상. PDFp37≤확인, strict조건별도정정. 엄격볼록성의 < 조건은 자료 문구의 그대로 인용이 아니라 AI의 수학적 보충이다.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 37

[[pdf/4._Linear_Regression_I/page-037.jpg|자료 화면 열기]]

## 3-1 창 0091 · 01:03:40–01:03:49 · 중요한 의미 차이 미발견

파란색이아래라는 설명유지.그림곡선지시어확정은별도.

![[review/audio/3-1/clips/0091.m4a]]

근거 파일: [[review/audio/3-1/0091.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 조건을 지찍하게 되는 게 기본적인 우리가 이제 증명할 수 있는 방법 중에 하나입니다. 자 그래서 이 파란색이 아래쪽이고

2차 전사:  그 조건을 지켜야 하는게 기본적인 증명할 수 있는 방법 중의 하나입니다. 자 그래서 파란색이

## 3-1 창 0092 · 01:04:42–01:04:53 · 중요한 의미 차이 미발견

직선도볼록하다는핵심유지.같음허용과관계있음.

![[review/audio/3-1/clips/0092.m4a]]

근거 파일: [[review/audio/3-1/0092.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 두번째 완전 선형적이네 이 선형적인 모델로 이루어져 있었던 F5X야 이거 컴백스기가 주지 않아요? 이걸 컴백스하다라고 얘기할 수 있습니까? 있습니다 왜냐면은 이게 그냥 부등식에 같다라는 조건들도

2차 전사:  자 두번째 완전 선형적인 모델로 이루어져 있었던 f5x야 이거 컴백시키기가 좀 사나요 이걸 컴백사다라고 얘기할 수 있습니까

## 3-1 창 0093 · 01:04:56–01:05:03 · 자료 근거 정정 있음

볼록합니다가감사합니다로오인식. PDFp37의직선도형을기준으로내용확인가능.

![[review/audio/3-1/clips/0093.m4a]]

근거 파일: [[review/audio/3-1/0093.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 있습니다 왜냐면은 이게 그냥 부등식에 같다라는 조건들도 같이 포함한다고 되어 있기 때문에 이것도 컴백스합니다 이거는 뭐 패드왁도 그렇고 이건 전부 다 컴백스

2차 전사:  부정식에 같다라는 조건들도 같이 포함한다고 되어 있기 때문에 이것도 감사합니다.

**자료·검토에 따른 정정:** 자료에는직선도볼록함수예로포함. affine함수는볼록성부등식이등호.

근거: PDF 물리 p.37의 렌더링 이미지 직접 확인. 볼록합니다가감사합니다로오인식. PDFp37의직선도형을기준으로내용확인가능.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 37

[[pdf/4._Linear_Regression_I/page-037.jpg|자료 화면 열기]]

## 3-1 창 0094 · 01:05:43–01:05:56 · 중요한 의미 차이 미발견

로컬/글로벌최소비교와Y가cost축이라는정정의미유지.

![[review/audio/3-1/clips/0094.m4a]]

근거 파일: [[review/audio/3-1/0094.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 세이실라고 얘기한다면 이걸 다 뒤져 봐야지만 사실상 가장 미니마이직이 어디있죠? 여기가 가장 미니마이직인 것 같아요 이거 외에도 로컬미니마 글로벌까지는 아니지만 그나마 좀 이 y가 아니라 이건 이제 c에요 편의시장 y라고 썼고 이 코스트펑션 측면에서 더 작은 값을 측면에서 글로벌은 아니더라도 얘도 꽤 나쁘지 않은 이것도 나쁘지 않네

2차 전사:  미니마이징 어딨죠? 여기가 가장 미니마이징인 것 같아요. 이거 외에도 로컬 미니마, 글로벌까지는 아니지만, 그나마 좀 이 Y가 아니라, 이건 이제 C에요. 그러니까 편의시장 Y라고 썼고, 이 코스트 펑션 측면에서 더 작은 값을...

## 3-1 창 0095 · 01:06:05–01:06:17 · 중요한 의미 차이 미발견

국소최소보다전역최소cost가작다는설명방향유지.

![[review/audio/3-1/clips/0095.m4a]]

근거 파일: [[review/audio/3-1/0095.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이것도 나쁘지 않은데 상대적으로 위에 포진해 있는 이 선불을 따라갔을 때 위에 있는 값을 뭐 같은 로컬 미니마이지만 글로벌 오피마가 아닌 로컬 미니마이지만 좋지 않죠? 이게 얼마나 더 좋은지 나쁜지를 모르는 이런 공간상의 문제인거야

2차 전사:  이 선분을 따라갔을 때 위에 있는 값을 뭐 이런 거 로컬 같은 로컬 미니마이지만 글로벌 옵티마가 아니기 때문에 로컬 미니마이지만 좋지 않죠 자 이게 얼마나 더 좋은지 나쁜지를 모르는 이런

## 3-1 창 0096 · 01:06:39–01:06:49 · 중요한 의미 차이 미발견

국소/전역최소 구분의미유지.

![[review/audio/3-1/clips/0096.m4a]]

근거 파일: [[review/audio/3-1/0096.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 부위를 기준으로 봤을 때 좋았었던 걸 로컬 미니마 라고 얘기를 하는 거죠 그거 대비해서 실제 전역 탐색을 하게 된다면 우리는 이걸 찾을 수 있을 거야 글로벌 미니마 이렇게 얘기하는 거죠

2차 전사:  기준으로 봤을 때 좋았었던 걸 로컬 미니마라고 얘기하는 거죠. 이거 대비해서 칠 때 전역 탐색을 하게 된다면 우리는 이걸 찾 수 있을 거야. 글로벌 미니마.

## 3-1 창 0097 · 01:07:17–01:07:26 · 학습 보류

파라미터조합탐색의속도설명이심하게손상.수치·결론없으나학습문장으로보류.

![[review/audio/3-1/clips/0097.m4a]]

근거 파일: [[review/audio/3-1/0097.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 상대 수프로 베타 값에 대한 조합을 찾을 때, 러닝할 때 빨리 찾을 수가 있는데 사실 그렇기고 너무 힘든 문제들이 생각보다 많다. 왜냐하면 이렇게

2차 전사:  프로펙터가 빌리드한 조합을 찾을때 러닝할 때 빨리 살 수가 있는데 사실 그러기 너무 힘든 문제들이 생각보다 많다

## 3-1 창 0098 · 01:07:37–01:07:46 · 학습 보류

목적식최소화대상명칭이심하게손상.학습문장으로보류.

![[review/audio/3-1/clips/0098.m4a]]

근거 파일: [[review/audio/3-1/0098.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 아까 했었던 내용들 우리가 이제 결국은 학습 모델이 선형 회계 모델에 대해서 목적지, 코스 펑션 자체를 미니마이저으로 만들어주는

2차 전사:  차가 했었던 내용들 우리가 이제 결국은 어 학습 모델이 선형 회계 모델에 대해서 목적지 코스 펑션 대체를 이 맞아

## 3-1 창 0099 · 01:08:07–01:08:17 · 중요한 의미 차이 미발견

엘리베이션/derivation 음역차이. 두모수연립방정식이라는핵심유지.

![[review/audio/3-1/clips/0099.m4a]]

근거 파일: [[review/audio/3-1/0099.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러분들이 증명하는 거 아니에요. 그냥 식 두 개 있고 모수 두 개 있으니까 엘리베이션 하면 이 두 가지를 구해볼 것 같습니다. beta0와 beta1을 찾아서 찾으면 어떻게 되는지

2차 전사:  분명하는 거 아니에요. 그냥 식 두 개 있고, 모수 두 개 있으니까 derivation 하면 이 두 가지를 구해 볼 수가 있습니다. 자, 베타조로와 베타원을 찾았어. 찾으면 어떻게 되겠어?

## 3-1 창 0100 · 01:08:24–01:08:37 · 중요한 의미 차이 미발견

기존및새X에대한예측,같은분포조건유지.

![[review/audio/3-1/clips/0100.m4a]]

근거 파일: [[review/audio/3-1/0100.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기존에 알고 있었던 x를 집어넣고 나서 어? 야 잘 맞는데 되게 랜덤 에러가 되게 작아 이렇게 얘기할 수도 있고요 그냥 한 번도 보지 못했던 엑셀 집어넣어봐 그랬을 때 같은 동일한 분포를 따르는 샘플이었다면

2차 전사:  기존에 알고 있었던 x를 집어넣고 나서 어? 야 잘 맞는데 되게 랜덤 에러가 되게 작아 이렇게 얘기할 수도 있고요. 한 번도 보지 못했었던 x를 집어넣어봐 그랬을 때 같은 동일한 분포를 따로 있는

## 3-1 창 0101 · 01:08:40–01:08:48 · 중요한 의미 차이 미발견

실제Y를모른다는단락앞부분이2차창경계밖.예측취지유지.

![[review/audio/3-1/clips/0101.m4a]]

근거 파일: [[review/audio/3-1/0101.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아 얘가 실제 와이크스는 모르지만 암튼간에 이 값이 이렇게 될 것 같아 라는 분들을 추론해 볼 수가 있겠죠 자 여기에서 다시 한번 얘기하면

2차 전사:  이 값이 이렇게 될 것 같아 하는 것들을 추론해 볼 수가 있겠죠

## 3-1 창 0102 · 01:09:05–01:09:23 · 중요한 의미 차이 미발견

실측값이실패값으로오인식.잔차제곱합의자료수식참조.

![[review/audio/3-1/clips/0102.m4a]]

근거 파일: [[review/audio/3-1/0102.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): x를 가지고 y를 설명할 수 있는 f of x가 완성이 되는 거예요. 우리가 위해서 파라미터인 저 베타제로와 베타원을 찾음에 의해서. 자 그러면은 우리가 이거를 학습 모델을 만드는 과정에 따라 해서 러닝이라고 얘기했습니다. 첫 번째 단계는 우리가 해당된 디스턴스를 구하는 그 질팩값과 예측값에 대한 차이를 어떤

2차 전사:  설명할 수 있는 f 가 완성이 되는 거야. 그에 의해서 파라미터인 저 베타0와 베타1을 찾음에 의해서 자 그러면 우리가 이거를 학습 모델을 만드는 과정에 따라서 러닝이라고 얘기했습니다. 첫 번째 단계는 우리가 해당된 distance를 구하는 것, 실패값과 예측값에 대한 차이를 어떤

## 3-1 창 0103 · 01:09:29–01:09:45 · 자료 근거 정정 있음

convex/concave가compact/complex로붕괴.자료p35의convex명칭과제곱합확인.

![[review/audio/3-1/clips/0103.m4a]]

근거 파일: [[review/audio/3-1/0103.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 2단계는 이 값들에 대한 조합을 최소화하도록 만들어준 beta0, beta1을 정의하자 function을 define했습니다. 마지막 단계에서는 알고 보니까 coordinate function이 이미 특히나 minimize 문제여서 concave하구나가 아니라 convex하구나 라고 볼 수 있었기 때문에 beta0, beta1에 대해서 각각을 이분했을 때 이 편미비용 값 자체가 0으로 노출되는 직 2개를 노출할 수 있었고요.

2차 전사:  그 원을 정의할 것입니다. Function을 Define했습니다. 마지막 단계에서는 알고 보니까 Quadrate Function이 이미 특히나 Minimize 문제여서 Compact 하구나, 그니까 아니라 Complex 하구나 라고 볼 수 있었기 때문에 데타제로와 베타원에 대해서 각각을

**자료·검토에 따른 정정:** 이제곱합cost는 convex(볼록)이다.

근거: PDF 물리 p.35의 렌더링 이미지 직접 확인. convex/concave가compact/complex로붕괴.자료p35의convex명칭과제곱합확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 35

[[pdf/4._Linear_Regression_I/page-035.jpg|자료 화면 열기]]

## 3-1 창 0104 · 01:09:54–01:10:03 · 학습 보류

least squares estimation 발음이잘림.단순문장차이로확정교정안함.

![[review/audio/3-1/clips/0104.m4a]]

근거 파일: [[review/audio/3-1/0104.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 선형식 두 개와 베타0와 베타1을 찾아야 하기 때문에 그걸 가지고 우리가 추정값을 찾았다 앞에서 설명했던 것들을 합리파기 얘기를 했습니다 이 과정을 우리가 리스트 스크레어 이시메이션이라고 해서 LSE라고 얘기합니다

2차 전사:  그걸 가지고 우리가 추정 박스를 찾았다. 앞에서 설명했던 것들을 확립하기 위해 이해를 했습니다. 이 과정을 우리가

## 3-1 창 0105 · 01:10:30–01:10:41 · 중요한 의미 차이 미발견

좋은솔루션설명은유지.실제잔차최적화는잔차제곱합기준임.

![[review/audio/3-1/clips/0105.m4a]]

근거 파일: [[review/audio/3-1/0105.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그런데 이렇게 잘 찾았을 때 해당되는 잔차가 결국 찾을 수 있었던 솔루션 중에 가장 좋은 솔루션 중에 하나라는 것들을 뒤에서 설명 좀 다시 한번 드릴게요 자 잔차 오타에 대한 특징을 좀 봤을 때

2차 전사:  그런데 이렇게 잘 찾았을 때 해당되는 잔차가 그 경우 찾을 수 있었던 솔루션 중에 가장 좋은 솔루션 중에 하나라는 것들을 뒤에서 설명 좀 다시 한번 드릴게요.

## 3-1 창 0106 · 01:10:44–01:10:57 · 자료 근거 정정 있음

오차를학습전,잔차를학습후로만정의하면부정확. 자료p41 두식을기준으로구분.

![[review/audio/3-1/clips/0106.m4a]]

근거 파일: [[review/audio/3-1/0106.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 내가 이 순서를 바꿨어서 여러분들 좀 헷갈리겠지만 오타는 우리가 하트 모델 그러니까 베타들을 안 찾았을 때 실제 y와 h y는 좀 차이가 있으시지 라고 얘기했을 때 오차라고 보통 얘기하고요 실제 학습 모델을 만들어놨어 그때 우리는 단차라고 얘기를 합니다

2차 전사:  좀 헷갈리겠지만, 오차는 우리가 학습모델, 그러니까 패터들을 안 찾았을 때 실제 y와 h, y는 좀 차이가 있을 수 있어요 라고 얘기했을 때 오차라고 보통 얘기하고요. 실제 학습모델을 만들어 놨어. 그때 우리는

**자료·검토에 따른 정정:** ε_i=y_i−E(Y_i|X_i), e_i=y_i−ŷ_i. 참조건부평균과적합예측값기준의차이로구분.

근거: PDF 물리 p.41의 렌더링 이미지 직접 확인. 오차를학습전,잔차를학습후로만정의하면부정확. 자료p41 두식을기준으로구분.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 41

[[pdf/4._Linear_Regression_I/page-041.jpg|자료 화면 열기]]

## 3-1 창 0107 · 01:11:27–01:11:41 · 학습 보류

78/178과78.6/178.6 불일치.숫자예시는자료없고잔차부호도불명확하여학습보류.

![[review/audio/3-1/clips/0107.m4a]]

근거 파일: [[review/audio/3-1/0107.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 일반적으로 우리가 하스 모델을 각도해 놨어요. 임플레멘테이션 해놨습니다. 대체 값을 찾아 놨단 말이야. 그러면 그 오차에 대한 부분들을 실증화하는 거죠. 실제 값을 키가 78로 있죠. 78.6이야. 그럼 어떻게 되죠? 0.6만큼의 레지듀얼이 있습니다.

2차 전사:  우리가 학습 모델을 바꾸어 놨어. implementation 해 놨어. 배타 값을 찾아놨단 말이야. 그러면 그 오프사이드에 대한 부분들을 실증화 하는 거죠. 실제 값을 키가 178로 이직했는데 178.6이야. 그럼 어떻게 되죠? 0.6

## 3-1 창 0108 · 01:11:47–01:11:55 · 학습 보류

잔차=오차실현값이라는자료문구자체주의. e는ε의관측가능추정치이지일반적으로동일하지않음.

![[review/audio/3-1/clips/0108.m4a]]

근거 파일: [[review/audio/3-1/0108.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 잔차는 확률 오차, 실러는 실제로 구현된 값이다 라는 것들을 좀 이해해 보시면 될 것 같아요 자, 그래서 우리는 어우, 배달장난이 부족하네요

2차 전사:  실제로 구현된 값이다 라는 것들을 좀 이해해 보시면 될 것 같아요 자 그래서 우리는

## 3-1 창 0109 · 01:12:04–01:12:16 · 중요한 의미 차이 미발견

차량주행 예시로전환하는취지유지.

![[review/audio/3-1/clips/0109.m4a]]

근거 파일: [[review/audio/3-1/0109.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 많은 모델이 존재할 수 있을 때 이런 모델을 구축할 수 있구나를 이해해 볼 수 있다는 얘기예요 자, 이거는 아주 간단한 얘기 예시인데 우리가 어느 정도의 차를 주행한다 우체한 해볼게요

2차 전사:  이런 모델을 구축할 수 있구나를 이해해 볼 수 있다는 얘기예요. 자 이거는 아주 간단한 얘기 예시인데 우리가 어느 정도의 차를 주행한다. 자 구체적으로 해볼게요. 여러분들 이제 일부 친구들은 운전...

## 3-1 창 0110 · 01:12:21–01:12:36 · 중요한 의미 차이 미발견

주행속도·제동거리두변수, X1/X2인지묻는질문까지는일치.질문을답으로오인금지.

![[review/audio/3-1/clips/0110.m4a]]

근거 파일: [[review/audio/3-1/0110.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 운전면허증이 없어요 라고 생각할 수 있겠지만 차가 어느 정도 주행속도를 달릴 때 브레이크를 팡! 탈벅! 얼마만큼 제동거리가 있느냐 이렇게 두 가지 변수를 좀 보도록 할게요 그러면 이 두 가지가 X1, X2냐?

2차 전사:  차가 어느정도 주행속도를 달릴 때 브레이크를 탑을 탑을 했을 때 얼마만큼 제동거리가 있느냐 이렇게 두가지 변수를 좀 보도록 할게요 그러면 이 두가지가 x1, x2냐

## 3-1 창 0111 · 01:12:49–01:13:07 · 중요한 의미 차이 미발견

n50과p1을t1로인식.자료표의50관측치및단일speed입력으로만확인.

![[review/audio/3-1/clips/0111.m4a]]

근거 파일: [[review/audio/3-1/0111.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): n이 50이고 t가 1이야. 그래서 50 by 1로 구성되어 있는 매트리스를 가지고 우리는 학습 모델을 만들어 보는 거예요. 자 그래서 이거는 이제 우리가 카에 대한 스피드, 기초행수프트 대비 얼마만큼 제동거리가 되는지를 측정해 봤을 때

2차 전사:  n이 50이고 t가 1이야. 그래서 50 by 1로 구성되어 있는 매트릭스를 가지고 우리는 학습 모델을 만들어 보는 거야. 자 그래서 이거는 이제 우리가 카에 대한 스피드, 유추인 속도 대비 얼마큼 제동 거리가 되는지를 측정해봅시다.

## 3-1 창 0112 · 01:13:28–01:13:56 · 자료 근거 정정 있음

절편−1.27이라는원전사수치가자료−17.579와불일치.기울기3.932와β1명칭확인.

![[review/audio/3-1/clips/0112.m4a]]

근거 파일: [[review/audio/3-1/0112.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 나 linear model을 예측할 거야 그리고 그 세체를 m이라고 해보자 이렇게 얘기하는 거야 그러면은 call 해서 이렇게 내부에서 내부하면 제가 호출이 될 테고요 그랬을 때 intercept가 y절편이죠 y절편이라는 의미잖아 그러면 이거를 뭐라고 한다? beta0라고 하고요 스피드가 뭐 있지? 스피드가 x의 변수였잖아. x 변수가 3.93이라는 게 무슨 의미야? 그 의미는 x 변수에 대한 계수인 이 파라미터가 1이 이 값이다 라고 얘기하는 거야. 이걸 가지고 공룡을 해석할 수 있는 게 뭘까요? 베타 제로 자체는 해석할 수 있는 게 없어. 이건 속도값이 마이너스 1.27?

2차 전사:  그리고 그 대체를 m이라고 해보자 이렇게 얘기하는 거야. 그러면은 call 이렇게 내부에서 내부 함수가 호출이 될 테고요. 그랬을 때 intercept가 y절편이죠. y절편이라는 의미잖아. 그러면 이거를 뭐라고 한다? beta0라고 하고요. speed가 뭐였지? speed가 x의 변수였잖아. x 변수가 3.93이라는 게 무슨 의미야? 의미는 x의 변수에 대한 계수인, 이 파라미타 beta1이 이 값이다 라고 얘기하는 거야. 이걸 가지고 해석할 수 있는 걸 볼까요

**자료·검토에 따른 정정:** 교안의cars적합결과: β̂0=−17.579, β̂1=3.932. 회귀식 ŷ=−17.579+3.932x.

근거: PDF 물리 p.45의 렌더링 이미지 직접 확인. 절편−1.27이라는원전사수치가자료−17.579와불일치.기울기3.932와β1명칭확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 45

[[pdf/4._Linear_Regression_I/page-045.jpg|자료 화면 열기]]

## 3-1 창 0113 · 01:14:12–01:14:22 · 자료 근거 정정 있음

기울기3.932의증가방향은자료와일치.속도단위mph,거리ft를공식R문서로보완.

![[review/audio/3-1/clips/0113.m4a]]

근거 파일: [[review/audio/3-1/0113.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 네가 주행속도가 1만큼 1마일 만큼 빨랐으면 너의 제동거리는 3.93이만큼 증가할 거야 라고 얘기를 하는 거죠. 오케이. 자 그래서 이렇게 여러분들 학습 모델을 볼 수 있을 겁니다. 자 지금까지 배웠었던 내용들을 정리해 보도록 합시다.

2차 전사:  이 만큼 증가할 거야 라고 얘기하는 거죠. 오케이? 자, 그래서 이렇게 여러분들의 학습 모델을 볼 수 있을 겁니다. 자, 지금까지 배웠었던 내용들을 정리해 보겠습니다.

**자료·검토에 따른 정정:** 주행속도1mph 증가에적합평균제동거리약3.932ft 증가. R cars 공식단위기준.

근거: PDF 물리 p.45의 렌더링 이미지 직접 확인. 기울기3.932의증가방향은자료와일치.속도단위mph,거리ft를공식R문서로보완. 단위는 R datasets의 cars 공식 문서에서 speed=mph, dist=ft를 확인.

자료: 4._Linear_Regression_I · 물리 페이지/슬라이드 45

[[pdf/4._Linear_Regression_I/page-045.jpg|자료 화면 열기]]

[추가 근거](https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/cars.html)

## 3-1 창 0114 · 01:14:41–01:14:49 · 중요한 의미 차이 미발견

다변량/단변량이같은말로손상.분류용어는자료p14에따라확인.

![[review/audio/3-1/clips/0114.m4a]]

근거 파일: [[review/audio/3-1/0114.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 X 변수가 몇 개 있느냐에 따라서 다별량, 다별하게 나눠질 수 있다는 걸 간단하게 설명했습니다. 선형 회기 모델의 목적은 뭐죠? 이게 스타디스클러닝 측면에서 봤을 땐 여러분들이 기본적으로 X와 데이터에 대해서

2차 전사:  나누어질 수 있다는 것을 간단하게 설명했습니다. 더 선형 회기 모델의 목적은 무엇이죠? 이게 스타디스크 러닝 승리에서 봤을 땐 여러분들이

## 3-1 창 0115 · 01:15:59–01:16:27 · 학습 보류

단별령/단별령과단별형/다별형차이.분류개념과향후학습내용의명칭미확정.

![[review/audio/3-1/clips/0115.m4a]]

근거 파일: [[review/audio/3-1/0115.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 많은 정렬닝 알고리즘에도 적용책이 되는 좀 좋을 것 같아요. 세계 모델에 대한 분류체계는 앞에 얘기했던 대로 선형적이냐 비전형적이냐 또는 단별령이냐 단별령이냐 생각한 분류체계로 설명 좀 드렸어요. 여러분들 이것만 배우지 않을까요? 이 수업 내에서 여러분들 Variant-Renium-Regression 메소드를 좀 다뤄어서 세상에 알고리즘이 참 많구나 좀 한번 느껴보도록 하겠습니다. 자, 세계 모델에 대한 가정 지금은 하나만 배웠지만 이후에는 좀 다양한 가정들

2차 전사:  적용치기 되는 그런 메커니즘을 이해해보셨으면 좋을 것 같아요. 회계 모델에 대한 분류체계는 아까 얘기했던 대로 선형적이냐 비정형적이냐 또는 단별형이냐, 다별형이냐 각각 같은 분류체계로 설명 좀 드렸어요. 여러분들 이것만 배우지 않을까요? 이 수업 내에서 여러분들, Variant한 어떤 Renew 말고 Regression Method를 좀 다뤄서 세상에 알고리즘이 참 많구나! 좀 한번 느껴보도록 하겠습니다. 자, 선형적인 모델에 대한 가정, 지금은 하나만 배웠지만 이후에는 좀 다양한 가정,

## 3-1 창 0116 · 01:16:36–01:16:46 · 학습 보류

quadratic/Euclidean용어심하게손상.자료p33의수식은잔차제곱합이며거리와제곱거리구분필요.

![[review/audio/3-1/clips/0116.m4a]]

근거 파일: [[review/audio/3-1/0116.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 일반적으로 미니마이저 하는 방식의 목적실을 갖도록 하구요. 이 코스 펑션에 대해서 쿼드라틱 펑션에 준다는 제곱함수, 유클리던 디스턴스에 대한 값을 가져왔을 때

2차 전사:  미니마이즈 하는 방식의 목적지를 갖도록 하고요. 에코스 펑션에 대해서 쿼드라틱 펑션의 중반은 제곱 함수, 대구 플리니언 디스턴스의 비용을 가져왔습니다.