# 5-1 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.

## 5-1 창 0000 · 00:01:48–00:01:57 · 학습 보류

x1의 변환을 2분의한/1차아니라로 적고 S는 잘린다. 실제 변환식이 확정되지 않아 제곱/분모를 추측 교정하지 않는다.

![[review/audio/5-1/clips/0000.m4a]]

근거 파일: [[review/audio/5-1/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그쵸? 지금 맞다라고 얘기하는 사람 그러면 안 돼요 이거는 이미 서형성이 유지가 안됩니다 왜냐하면 x1에 대해서 1차가 아니라 x1에 대해서 2분의 한 거잖아요

2차 전사:  자 지금 맞다라고 얘기하는 사람 그러면 안 돼요 자 이거는 이미 사용성이 유지가 안됩니다 왜냐하면 x분에 대해서 1차가 아니라

## 5-1 창 0001 · 00:02:08–00:02:16 · 중요한 의미 차이 미발견

β0=0,β1X1²라는 예제와 질문 방향은 같다. 파라미터 선형성의 범위 문제는 ASR 일치 여부와 별개다.

![[review/audio/5-1/clips/0001.m4a]]

근거 파일: [[review/audio/5-1/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): beta0는 0이라서 beta0는 없고 beta1에 그냥 x1 제곱이야 그래서 이렇게 2차 함수로 돼 있어요 그러면 선형적인 관계일까요?

2차 전사:  그래서 베타0은 없고, 베타1은 그냥 x1 제곱이야 그래서 이렇게 이차함수로 되어 있어 그러면 선형적인 관계일까요?

## 5-1 창 0002 · 00:02:57–00:03:05 · 중요한 의미 차이 미발견

정규성 가정의 대상을 묻는 도입은 같고 답은 이 창에서 완결되지 않는다.

![[review/audio/5-1/clips/0002.m4a]]

근거 파일: [[review/audio/5-1/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 라는 것에 유지가 되는 겁니다. 자 두번째 정규성이에요. 정규성 자 누가 정규성을 따려야 되냐 여러분들 첫번째 시간에 다뤄봤어요. 이 문제를

2차 전사:  유지가 되는 겁니다 자 두번째 정규성이에요 정규성 자 누가 정규성을 따로 해야 되냐 여러분들 첫번째 시간에 다뤄봤어요

## 5-1 창 0003 · 00:03:10–00:03:25 · 중요한 의미 차이 미발견

오차/입실론/잔차 명칭을 섞는 취지는 양쪽 같으며 error와 residual 구별의 정오를 ASR 합의로 확정하지 않는다.

![[review/audio/5-1/clips/0003.m4a]]

근거 파일: [[review/audio/5-1/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 정규성을 따르면 되는 거예요. 많은 학생들이 이거 질문 올려줬습니다. 내가 뭐라고 했죠? 랜덤에러에 해당되는 부분과 입실론에 해당되는 부분 우리가 랜덤에러 또는 입실론에 해당되는 부분을 갖다가 레지듀얼, 잔차 이렇게 얘기했었죠.

2차 전사:  따르면 되는 거예요. 많은 학생들이 이거 질문 올려줬습니다. 내가 뭐라고 했죠? 랜덤 에러에 해당되는 부분과 입실론에 해당되는 부분. 요거 이제 우리가 랜덤 에러 또는 입실론에 해당되는 부분을 갖다가 뭐 레지 듀얼 잔차 이렇게

## 5-1 창 0004 · 00:03:45–00:04:02 · 중요한 의미 차이 미발견

추정 전 오차와 EFX/EFI 함수 설명이 불완전하다. 두 전사의 창 내 핵심 차이는 없으며 정확한 함수기호는 별도 자료가 필요하다.

![[review/audio/5-1/clips/0004.m4a]]

근거 파일: [[review/audio/5-1/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 해줬어요. 근데 내가 다시 한번 얘기하지만 이건 여러분들이 개념을 알고 있으면 되는 거지 사실은 좀 섞어 쓴다고 해서 그렇게 문제가 되지는 않아요. 결국 랜덤 에러는 우리가 일반적으로 생각할 때 랜덤 에러는 우리가 추정하고자 하는 베타들에 대한 조합으로 이루어져 있는 EFX, 선형회기에 대한 함수가 만들어지기

2차 전사:  여러분들이 개념을 알고 있으면 되는 거지 사실은 좀 섞어 쓴다고 해서 그렇게 문제가 되지는 않아요 결국 랜덤 에러는 우리가 일반적으로 생각할 때 랜덤 에러는 우리가 추정하고자 하는 베타들에 대한 조합으로 이루어져 있는 EFI

## 5-1 창 0005 · 00:05:26–00:05:41 · 중요한 의미 차이 미발견

오차항 정규성 가정 및 실제Y−추정Y 차이라는 취지는 같다. 오차/잔차 엄밀 구분은 별도다.

![[review/audio/5-1/clips/0005.m4a]]

근거 파일: [[review/audio/5-1/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 차이가 오차항인 거고 이 오차항이 결국은 정규성을 따른다는 게 우리가 선형 회귀 모델의 주요 가정 중에 하나였습니다. 되게 복잡하게, 복잡하지 않은데 복잡하게 얘기한 것 같아서 다시 한번 정리하자면 실측된 y와 우리가 추정된 y 사이의 차이를 오창이라고 부르는데

2차 전사:  이 오차항이 결국은 정규성을 따른다는 게 우리가 선형 회귀 모델의 주요 가정 중에 하나였습니다. 자 되게 복잡하게 복잡하지 않은데 복잡하게 얘기한 것 같아서 다시 한번 정리하자면 실측된 y와 우리가

## 5-1 창 0006 · 00:05:48–00:05:57 · 중요한 의미 차이 미발견

마지막 관측 인덱스 M/n 외 관측별 차이를 구한다는 설명은 같다. n은 일반 표기이며 의미있는 관측수 변경으로 보지 않는다.

![[review/audio/5-1/clips/0006.m4a]]

근거 파일: [[review/audio/5-1/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 우리가 첫 번째 관측치에 대해서 예측된 것과 실측된 y의 차이 그 다음에 두 번째 관측치에 대해서도 그 차이를 구하고 땡땡땡땡, M번째 관측치에 대한 y와 예측된 y에 대해서도 차이를 구한다면

2차 전사:  예측된 것과 실측된 y의 차이, 그 다음에 두 번째 관측지에 대해서도 그 차이를 구하고 땡땡땡땡, n번째 관측지에 대해서도 그 차이를 구하고

## 5-1 창 0007 · 00:06:58–00:07:11 · 중요한 의미 차이 미발견

stationary 비유와 시간에 따른 Y변화라는 내용은 같다.

![[review/audio/5-1/clips/0007.m4a]]

근거 파일: [[review/audio/5-1/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 데이터 자체도 스테이셔널이 한 게 가정이 돼야 된다는 것과 동일한 말입니다. 스테이셔널이라고 얘기하는 건 뭐냐면 예를 들어서 y축 데이터가 이렇게 되어 있었어요. 그런데 어느 순간 y가 이렇게 변했어. 그러면 여러분들 이렇게 변하면 시간축 정보로 봤을 때 y에 대한 통계량을 보면

2차 전사:  스테이셔널이라고 얘기하는 것은 뭐냐면, 트레이닝 데이터, 예를 들어서 Y축 데이터가 이렇게 되어 있어요. 어느 순간 데이터가 이렇게 변했어. 그러면 여러분들 이렇게 변하면

## 5-1 창 0008 · 00:07:17–00:07:38 · 중요한 의미 차이 미발견

0,1²,3,2²의 수치는 같고 모수가 바뀐다는 방향도 같다. 평균/분산을 섞은 공통 표현 자체의 정확성은 보장하지 않는다.

![[review/audio/5-1/clips/0008.m4a]]

근거 파일: [[review/audio/5-1/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 평균은 0에서 σ1로 왔다 갔다 하는 모델이었다면 그러면 우리가 0에서 1제곱으로 왔다 갔다 하는 걸로 따르는 통계량이었는데 이 시점 이후부터는 y가 평균이 3에서 2의 제곱으로 왔다갔다 하는 정규성을 따르는 거다. 다시 얘기하면 모수가 바뀐 거군요. 모수라고 얘기하면 파라미터인데

2차 전사:  한 σ1로 왔다 갔다 하는 모델이었다면 그럼 우리가 0에서 1제곱으로 왔다 갔다 하는 걸로 따르는 통계량이었는데 이 시점 이후부터는 이 y가 평균이 한 3에서 2의 제곱으로 왔다 갔다 하는 정규성을 따르는 거다 그러면 다시 얘기하면 이게 모수가 바뀐 거군요

## 5-1 창 0009 · 00:08:33–00:08:46 · 중요한 의미 차이 미발견

두 전사 모두 독립성을 X들끼리 독립으로 설명한다. 새로운 ASR 차이가 없으나 이는 이미 확인한 REG-01 원자료 문제다.

![[review/audio/5-1/clips/0009.m4a]]

근거 파일: [[review/audio/5-1/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 앞에 내용과 일맥상통하는 얘기인데 뒤에서 다시 한번 얘기해 줄 테니까 그때 또 더 설명을 듣기 바랍니다. 자 독립성 독립성은 뭐냐면 각각의 독립변수 x1이라는 게 있고 x2라는 게 있고 x3라는 게 있는데 이게 뭐든 간에 각각의 독립적이어야 된다 라고 얘기가 되는 겁니다.

2차 전사:  그 때 또 더 설명을 듣기 바랍니다 자 독립성, 독립성은 뭐냐면 각각의 독립변수 x1이라는 게 있고 x2라는 게 있고 x3라는 게 있는데 이게 뭐든 간에 각각이 독립적이어야 된다

## 5-1 창 0010 · 00:09:17–00:09:29 · 중요한 의미 차이 미발견

주사위의 숫자/색깔 두 확률변수 비유는 같다. 창 끝 색깔은 불완전하며 확률값을 새로 보태지 않는다.

![[review/audio/5-1/clips/0010.m4a]]

근거 파일: [[review/audio/5-1/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 이 주사위를 던지는데 6이라고 적혀져 있는 여기, 여기만 파란색이고 나머지는 다 빨간색인 거예요. 이렇게 얘기를 해봐요. 자 그래서 XM은 뭐냐면 이 확률변수는 숫자가 나오는 거에 대한 확률을 나타내고요. XN에 대한 확률을 나타내는 건 색깔이라고 보죠.

2차 전사:  이렇게 얘기를 해봐요. 자 그래서 xm은 뭐냐면 이 확률 변수는 숫자가 나오는 거에 대한 확률을 나타내고요. xn에 대한 확률을 나타낸 건

## 5-1 창 0011 · 00:11:02–00:11:13 · 중요한 의미 차이 미발견

사회인구/자연생태 관련성 예시의 공통 부분은 같고 뒷 결론은 창 밖이다.

![[review/audio/5-1/clips/0011.m4a]]

근거 파일: [[review/audio/5-1/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예를 들어서 이렇게 전혀 관련성이 없을 것 같은 이건 좀 사회 인구적인 그런 통계랑에 좀 더 많이 관계가 있을 테고요. 사람들이 더 많이 이동을 하고 이런 거에 관련이 있을 테고 이 어떤 자연 생태계에 관련된 그런 데이터들은 서로 관련성이 전혀 없겠죠.

2차 전사:  예를 들어서 이렇게 전혀 관련성이 없을 것 같든 이건 좀 사회 인구적인 그런 통계량에 좀 더 많이 관계가 있을 테고요. 사람들이 더 많이 이동을 하고 이런 거에 관련이 있을 테고.

## 5-1 창 0012 · 00:11:31–00:11:40 · 중요한 의미 차이 미발견

선형성 확대 설명으로 넘어가는 안내가 같다.

![[review/audio/5-1/clips/0012.m4a]]

근거 파일: [[review/audio/5-1/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 지금부터 이 네 가지에 대해서 좀 더 자세히 알아보도록 할게요. 선형성에 해당되는 부분은 뭐냐면 이렇게 하는 게 좀 더 자세히 볼까요?

2차 전사:  좀 더 자세히 알아보도록 할게요 선형성이 해당되는 부분은 뭐냐면 이렇게 하는 게 좀 더 자세히 볼까요

## 5-1 창 0013 · 00:11:45–00:12:00 · 중요한 의미 차이 미발견

부모X로 Y를 예측한 점군이라는 취지는 같고 산점도 용어 오인식만 있다.

![[review/audio/5-1/clips/0013.m4a]]

근거 파일: [[review/audio/5-1/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 y축에 해당되는 게 뭔가 예측하는, y축에 해당되는 게 y인 거예요. 자 그래서 부모에 대해서 y를 갖다가 부모라는 x를 가지고 뭔가를 예측하도록 만드는 단순선형 획이었는데 그래서 이렇게 산점지가 찍혀있는 게 실제 데이터인 거죠. 관측 데이터인 거죠.

2차 전사:  Y축에 해당되는 게 Y인 거예요. 부모에 대해서 부모라는 X를 가지고 뭔가를 예측하도록 만드는 단순선형 획이었는데 그래서 이렇게 3점주가 찍혀 있는 게 실제 데이터인 거예요.

## 5-1 창 0014 · 00:12:24–00:12:41 · 중요한 의미 차이 미발견

다중회귀 차원/하이퍼플레인 비유에서 변수2·3·4·5 수치와 대비 방향이 같다.

![[review/audio/5-1/clips/0014.m4a]]

근거 파일: [[review/audio/5-1/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 만약에 교수님 그러면 1차 함수는 단순 선형회기는 이렇게 알겠는데 이중이야. 변수가 2개야. 아니면 다중 선형회기야. 그래서 변수가 4개야. 3개야. 5개야. 그게 이렇게 선분이 아니지 않나요? 예 맞아요. 그렇죠. 그렇게 하면 우리가 일반적으로 하이퍼플레인이라고 얘기했는데 2차 이상이면

2차 전사:  단순선형회기는 이렇게 알겠는데 이중이야. 변수가 2개야. 아니면 다중선형회기야. 그래서 변수가 4개야, 3개야, 5개야. 그러면 그게 이렇게 선본이 아니지 않나요? 네, 맞아요. 그렇죠. 그렇게 하면 우리가 일반적으로 하이퍼플레인이라고 얘기했는데

## 5-1 창 0015 · 00:13:53–00:14:04 · 자료 근거 정정 있음

Q-Q 플롯이 QQ플러스/QQ플랫으로 오인식되어 화면 용어로 정규화한다.

![[review/audio/5-1/clips/0015.m4a]]

근거 파일: [[review/audio/5-1/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 시그마 제곱을 따르도록 만들어지는 게 기본적인 정규성 과정인 겁니다. 나중에 이거 뒤에서 설명할 거예요. QQ 플러스를 보면 정규성을 따른지 안 따른지를 알 수가 있어요. 자 세번째 과정은 등분산성이다. 등분산성은 어떻게 얘기를 할 수 있냐면

2차 전사:  우리가 기본적인 정규성 과정인 겁니다. 나중에 이거 이제 뒤에서 설명할 거예요. QQ플랫을 보면은 아 이게 정규성을 따른지 안 따른지를 우리가 알 수가 있어요. 자 세 번째 과정은 등분산성입니다.

**자료·검토에 따른 정정:** Q-Q plot(Quantile-Quantile Plot)

근거: 오른쪽패널제목에Quantile-Quantile Plot이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0016 · 00:15:13–00:15:21 · 중요한 의미 차이 미발견

2021상반기 아버지키/비트코인의 비유 수치와 맥락은 같다. 실제 예측 결론은 경계에서 잘린다.

![[review/audio/5-1/clips/0016.m4a]]

근거 파일: [[review/audio/5-1/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 2021년도 상반기에 아버지의 키를 가지고 비트코인을 예측해서 이게 말도 안 되지만 한번 해본다고 얘기하는 거야. 그랬을 때 왠지 모르는데 아버지의 키를 넣었더니 비트코인이 정말 예측이 돼서 잘 맞았어.

2차 전사:  2021년도 상반기에 아버지의 키를 가지고 비트코인을 예측해서 이게 말도 안 되지만 한번 해본다고 얘기하는 거야 자 그랬을 때 어? 왠지 모르는데

## 5-1 창 0017 · 00:16:03–00:16:11 · 중요한 의미 차이 미발견

Predicted축을 설명하는 취지는 같다. 14~15.5 열거는 원문 segment에 있으나 S는 창 끝에 걸려 새 숫자를 바꾸지 않는다.

![[review/audio/5-1/clips/0017.m4a]]

근거 파일: [[review/audio/5-1/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 등분산성도 결국은 잔차에 대한 등분산성을 의미한다고 보시면 될 것 같습니다. 지금 보면 플라팅한 거예요. 프레딕티드가 이렇게 쭉 있는데 14, 14.5, 15, 15.5 이게 뭐죠?

2차 전사:  의미한다고 보시면 될 것 같습니다. 자, 지금 보면 플래팅한 거예요. Predicted가 이렇게 쭉 있는데

## 5-1 창 0018 · 00:17:00–00:17:19 · 중요한 의미 차이 미발견

15~15.5에서 예측오차가 작아지고 등분산하지 않다는 비교·부정 방향은 같다.

![[review/audio/5-1/clips/0018.m4a]]

근거 파일: [[review/audio/5-1/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 해당되는 부분이 등 분산 간격은 아니야 좀 커졌죠 예측값이 이만큼 커졌다는 얘기에요 근데 그 이후에 15에서 15.5 사이에서는 뭐가? 예측 오차가. 예측 오차가 이렇게 좀 작아지기 시작한 거야. 이렇게 되면 어느 정도 등분산하지 않네 라는 생각을 좀 할 수 있을 겁니다.

2차 전사:  해당되는 부분이 등분산 간격은 아니야 좀 커졌죠 예측값이 이만큼 커졌다는 얘기에요 근데 그 이후에 15에서 15.5 사이에서는 갑자기 작아지기 시작해 뭐가? 예측오차가 예측오차가 이렇게 좀 작아지기 시작한 거야 자 이렇게 되면 어느 정도 등분산 하지 않네

## 5-1 창 0019 · 00:18:06–00:18:15 · 중요한 의미 차이 미발견

예측값 yhat이 yhc로 훼손됐지만 잔차 대 예측값 도식의 취지는 같다.

![[review/audio/5-1/clips/0019.m4a]]

근거 파일: [[review/audio/5-1/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 어떤 예측값이 있어. 근데 예측값 대시해서 예측값은 y-hash 되겠죠? 잔차가 있는데 잔차가 이렇게 부러져 있어.

2차 전사:  우리가 어떤 예측값이 있어 근데 예측값 대신해서 예측값은 yhc 되겠죠 잔차가 있는데 잔차가

## 5-1 창 0020 · 00:18:28–00:18:39 · 중요한 의미 차이 미발견

잔차가 normally distributed처럼 보인다는 공통 관찰. 뒤의 가정 확정 문장은 경계 밖에 있어 새 누락으로 보지 않는다.

![[review/audio/5-1/clips/0020.m4a]]

근거 파일: [[review/audio/5-1/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): y-scale 어떻게 되든 또는 이 y 예측값에 대한 부분을 갖다가 오더링을 갖다가 인덱싱을 기록을 했든 뭐든 간에 이 잔차가 normally distributed 돼 있는 것처럼 뭐 있지 않나요? 그렇죠? 자 그래서 이렇게 잔차에 대한 부분이 이렇게 있으면 우리가 등분산성의 과정도 맞고 잔차가 정규성 과정도 잘 따르는구나 이렇게 일을 할 수가 있을 거예요.

2차 전사:  오더링을 했다 인덱싱을 했다 뭐든 간에 이 잔차가 노멀리 디스트리비티드 돼 있는 것처럼 뭐 있지 않나요? 그래서 이렇게 잔차에 대한 부분이

## 5-1 창 0021 · 00:19:32–00:19:40 · 중요한 의미 차이 미발견

분산 스케일은 비슷하고 추세는 올라간다는 대비가 같다.

![[review/audio/5-1/clips/0021.m4a]]

근거 파일: [[review/audio/5-1/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 분산은 비슷해. 분산은 이게 스케일이 비슷해요. 근데 어떻게 깨지냐면 이런 게 계속 올라가는 거예요. 뭐가? 그 해당되는 예측값에 대한 스케일이

2차 전사:  분산은 이게 스케일이 비슷해요 근데 어떻게 깨지냐면 이런 거 계속 올라가는 거예요 뭐가? 그 해당되는 예측

## 5-1 창 0022 · 00:20:01–00:20:09 · 중요한 의미 차이 미발견

평균 μ1 예제 도입은 양쪽 창 끝에서 잘린다. 차이가 없는 부분에 대해 수치를 추가 복원하지 않는다.

![[review/audio/5-1/clips/0022.m4a]]

근거 파일: [[review/audio/5-1/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇게 많이 변이 된 것 같지는 않아요. 그래서 이거를 평균이 한 뮤1에서

2차 전사:  그렇게 많이 변이된 것 같지는 않아요. 그래서 이거를 평균이

## 5-1 창 0023 · 00:20:28–00:20:48 · 중요한 의미 차이 미발견

μ1,σ1²와 μ2,σ2²가 같지 않다는 숫자·부정 방향이 유지된다.

![[review/audio/5-1/clips/0023.m4a]]

근거 파일: [[review/audio/5-1/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 시그마2의 제곱을 지금 따르는 것처럼 보여. 이랬을 때 여러분들, 이 뮤1과 시그마1에 대한 제곱이 이때 시점에서 뮤2와 시그마2에 대한 제곱에 그 해당되는 모수들이 동일한가요? 당연히 같지가 않잖아, 딱 눈으로 봐도.

2차 전사:  2의 제곱을 지금 따르는 것처럼 보여 이랬을 때 여러분들 이 mu1과 sigma1에 대한 제곱이 이때 시점에서 이 mu2와 sigma2에 대한 제곱에 그 해당되는 모수들이 동일한가요? 당연히 같지가 않잖아 딱 눈으로

## 5-1 창 0024 · 00:20:55–00:21:05 · 중요한 의미 차이 미발견

독립성 깨짐 및 T1/T2 구간 비유가 같다. 정규성/등분산성과의 공통 혼동은 별도 이론검토다.

![[review/audio/5-1/clips/0024.m4a]]

근거 파일: [[review/audio/5-1/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 이러면 우리가 지금 보면 이것도 등분산성의 가정도 깨졌고, 이거 잔자가 노멀리 디스티비티드 하지 않잖아. 이거 독립성도 깨진 거예요. 이러면 안 되는 거예요. 자 이건 어때요 이것도 지금 깨졌잖아 그쵸 요 시점을 t1 이라고 보구요 요 시점을 갖다 t2 라고 봤어 어느 시점에 보더라도 이거 시점을 가서 t3 라고 봤어

2차 전사:  이거 독립성도 깨진 거예요 이러면 안 되는 거야 자 이건 어때요 이것도 지금 깨졌잖아 요 시점을 T1이라고 보고요 요 시점을 갖다 T2라고

## 5-1 창 0025 · 00:21:15–00:21:26 · 중요한 의미 차이 미발견

recurrent/recalling의 용어는 다르나 T1/T3는 비슷하고 T2에 문제라는 시각 비교 취지는 같다.

![[review/audio/5-1/clips/0025.m4a]]

근거 파일: [[review/audio/5-1/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): t1과 t3만 보면 되게 비슷한 것처럼 보여요 왜냐면 지금 recurrent 했거든요 상황 자체가 그럼에도 불구하고 t2로 보면 어때 t2로 보면 어 이거 문제가 그러니까 recurring 한 거예요 그래서 이 같은 경우에는 이 부분도 우리가 보기에는

2차 전사:  했거든요 상황 자체가 그럼에도 불구하고 T2로 보면 어때? T2로 보면 어 이거 문제가 그러니까 Recalling 한 거예요 그래서 E 같은 경우에는

## 5-1 창 0026 · 00:21:35–00:21:43 · 중요한 의미 차이 미발견

가정이 깨진다는 문장과 실제데이터로 넘어가는 취지는 같다. 어떤 가정의 과학적 해석인지는 이 창만으로 확정하지 않는다.

![[review/audio/5-1/clips/0026.m4a]]

근거 파일: [[review/audio/5-1/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 정규성 과정도 깨진 거다라고 얘기를 할 수가 있겠습니다 하지만 이게 여러분들 이제 여기까지 얘기하면 여러분들 많이 이제 실제 데이터를 접하다보는 이런 문제가 있기 때문에

2차 전사:  깨진 거다 라고 얘기를 할 수가 있겠습니다 하지만 이게 여러분들 이제 이것까지 얘기하면 여러분들 많이 이제 실제

## 5-1 창 0027 · 00:22:52–00:23:03 · 중요한 의미 차이 미발견

훈련데이터를 자르는 방식에 따라 진단이 달라질 수 있다는 의미는 같다.

![[review/audio/5-1/clips/0027.m4a]]

근거 파일: [[review/audio/5-1/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러분이 판단하는 이 잔차 분석에 대한 결과가 달라질 수 있기 때문에 데이터셋을 또 어떻게 잘라보냐 다시 얘기하면 이런 선형회기를 구축하는 데 있어서 여러분들이 가지고 있는 트레이닝 데이터셋 어떻게 자르냐에 따라서 이거 되게 달라질 수가 있다는 얘기입니다.

2차 전사:  수 있기 때문에 데이터셋을 또 어떻게 잘라 보냐 다시 얘기하면 이런 선형회계를 구축하는데 있어서 여러분들이 가지고 있는 트레이닝 데이터셋

## 5-1 창 0028 · 00:23:25–00:23:47 · 중요한 의미 차이 미발견

선형성이 X의 선형조합으로 Y를 예측한다는 요약은 같고 출석안내 외 새 수식 차이는 없다.

![[review/audio/5-1/clips/0028.m4a]]

근거 파일: [[review/audio/5-1/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 그래서 여러 번 반복해서 반복 학습이 여러분들 귀에 쏙쏙 들어옵니다 머리에도 잘 기억이 남고 나는 이미 알아요 교수님 그러면 빨리 넘기면 돼요 빨리 넘기지만 그래도 여러분 두 배 속도로 막 보면서 그러면 안 돼요 그럼 출석 체크가 안 됩니다 자 선형 회계에 해당되는 부분 자 다시 한번 선형 회계 아니라 선형성에 대한 가정상을 먼저 얘기하면 뭐라고 얘기했지 선형적인 조합으로 y를 예측한다.

2차 전사:  여러분들 귀에 쏙쏙 들어옵니다 머리에도 잘 기억이 남고 난 이미 알아요 교수님 그러면 빨리 넘기면 돼요 빨리 넘기지만 그래도 여러분 2배 속도로만 보면서 그러면 안 돼요 추석체크가 안 됩니다 선형 회귀에 해당되는 부분 다시 선형 회귀 아니라 선형성에 대한 가정상을 먼저 얘기하면 뭐라고 얘기했지? X들에 대한 선형적인 조합으로 Y

## 5-1 창 0029 · 00:24:25–00:24:36 · 중요한 의미 차이 미발견

상관계수가 거의1인 점군 비유는 같다. 마지막1은 창 경계에 걸리므로 S의 숫자 누락으로 의미 역전을 만들지 않는다.

![[review/audio/5-1/clips/0029.m4a]]

근거 파일: [[review/audio/5-1/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 x를 가지고 y를 예측하는데 이렇게 돼 있는 선형성 어떻게 알 수 있죠? 선형적인가요? 여러분들 이거 데이터를 이용해서 만들면 선형 회기 잘 만들 수 있겠나 생각할 수 있죠? 그쵸? 이거는 거의 correlation coefficient을 구하면 1인 거야.

2차 전사:  있죠? 산형적인가요? 여러분들 요거 데이터를 이용해서 만들면 사형팩이 잘 만들 수 있겠나 생각할 수 있죠 그쵸 이거는 거의 Correlation Coefficient

## 5-1 창 0030 · 00:24:53–00:25:01 · 중요한 의미 차이 미발견

170→177의 비유 수치와 확정적 예측을 흉내내는 표현은 동일하다.

![[review/audio/5-1/clips/0030.m4a]]

근거 파일: [[review/audio/5-1/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아버지의 키가 170이면 아들의 키는 빼박 177이야 그렇죠? 그런데 이 데이터로 생각을 한다면 내가 지금 마우스 흔들고 있잖아 이 데이터로 생각한다면

2차 전사:  170이면 아드렉키는 빼박 177이야. 그렇죠. 그런데 이 데이터로 생각을 한다면 내가 지금 마우스 흔들고 있잖아. 이 데이터로 생각하면

## 5-1 창 0031 · 00:25:12–00:25:34 · 중요한 의미 차이 미발견

.7/.3,172,160~180이라는 숫자와 약한 상관의 방향이 같다. 사용적인/상위적인은 같은 선형적 용어 오인식이다.

![[review/audio/5-1/clips/0031.m4a]]

근거 파일: [[review/audio/5-1/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 코렐레이션 코에피션을 들어본다면 0.7 정도 되는 거죠 데이터 볼까 0.3 이야 아버지의 키와 아들의 키가 콜레이션 코피션을 보했더니 그 값이 0.3 이야 조금 상관성이 있지만 많이 벌어지는 거에요 아버지의 키가 172 예더라도 아들의 키는 160 180까지 정말 다양한 거야 거의 사용적인 상관성이 없다면 x만 가지고 y 아버지의 키만 가지고

2차 전사:  coefficient로 본다면 0.7 정도 되는 거죠 자 그 다음 데이터 볼까 0.3이야 아버지의 키와 아들의 키가 correlation coefficient로 그랬더니 그 값이 0.3이야 조금 상관성이 있지만 많이 벌어지는 거야 아버지의 키가 172일 들어도 아들의 키는 160부터 180까지 정말 다양한 거야 거의 상위적인 상관성이 없다면

## 5-1 창 0032 · 00:26:49–00:26:57 · 중요한 의미 차이 미발견

모델부터 만들지 말라는 부정·강조 방향이 같다.

![[review/audio/5-1/clips/0032.m4a]]

근거 파일: [[review/audio/5-1/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 여러분들 기본적으로 내가 학습모델부터 만들어보려고 생각하지 말고 제발 딥러닝이 뭐고 뭐고 안 해 제발 학습모델부터 만들려고 생각하지 말고

2차 전사:  내가 학습 모델부터 만들어 보려고 생각하지 말고 딥러닝이 모호하네 제발 학습 모델부터 만들려고 생각하지 마

## 5-1 창 0033 · 00:27:57–00:28:31 · 중요한 의미 차이 미발견

잠깐만 섞어서 얘기했다는 자기수정과 X들의 선형결합/EDA 결론이 유지된다. 자기수정을 삭제하지 않는다.

![[review/audio/5-1/clips/0033.m4a]]

근거 파일: [[review/audio/5-1/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 데이터였을 때 우리가 선형회기에 대한 모델을 갖다가 가지고 있는지를 보는 거죠. 오창에 대한.. 아 잠깐만. 내가 좀 섞어서 얘기했는데 x 변수와 x2 변수, x3 변수 여러가지가 있을 때 그게 선형적인 조합이 된다는게 선형적인 가정이었어요. 그 조합에 대해서도 우리가 예측을 한다면 기본적으로 x1, x2, x3가 우리가 이런 y를 예측한 데 있어서 선형적으로 이게 조합이 잘 된지를 한번 이제 EDA를 잘 해봐야 된다라고 얘기를 한 겁니다. 자 그런 다음에

2차 전사:  우리가 선형 회귀에 대한 모델을 갖다가 이게 선형성을 가지고 있는지를 보는 거죠 오차항에 대한, 잠깐만 잠깐만 내가 지금 섞어서 얘기했는데 x 변수와 x2 변수, x3 변수 여러 가지 있을 때 그게 선형적인 조합이 된다는 게 선형적인 가정이었어요 근데 그 조합에 대해서도 우리가 예측을 한다면 기본적으로 x1, x2, x3가 우리가 이런 y를 예측하는데 있어서 선형적으로 조합이 잘 된지를 EDA를 잘 해봐야 된다고 얘기를 한 겁니다

## 5-1 창 0034 · 00:28:51–00:29:06 · 중요한 의미 차이 미발견

Fitted Value가 ptd에서 S에서 개선된다. 잔차 점군 관찰 취지는 같고 새 부정 차이는 없다.

![[review/audio/5-1/clips/0034.m4a]]

근거 파일: [[review/audio/5-1/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 그러면 어떻게 돼? 뭐가 살짝 내려왔다 올라가긴 했는데 전반적으로 봤을 때 뭐 normally distributed 돼 있는 게 좀 보이긴 할 거야. 뭔가 왔다갔다 왔다갔다 해 봐요. 그래서 이제 뭐 그걸 다시 한번 얘기한다면 잔차가 좀 ptd 밸류 자체의 스케일이 좀 작았을 때는 좀 잘 맞아 떨어진 것처럼 보였는데 어느 정도 이제 그래도 중심축을

2차 전사:  뭐가 살짝 내려왔다 올라가긴 하는데 전반적으로 봤을 때 뭐 Normally Distributed 돼 있는 게 좀 보이긴 할 거예요 잔차가 뭔가 왔다 갔다 왔다 갔다 해 보여요 그래서 이제 그걸 다시 한번 얘기한다면 잔차가 좀 Fitted Value 자체

## 5-1 창 0035 · 00:29:53–00:30:12 · 중요한 의미 차이 미발견

변수2개/정규성/잔차라는 공통 설명이고 바이베르이탄 영문이 모두 훼손됐다. 다변량정규의 정확한 주장은 ASR 합의로 보장하지 않는다.

![[review/audio/5-1/clips/0035.m4a]]

근거 파일: [[review/audio/5-1/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 두번째 정규성 과정은 뭐였죠? 우리가 가지고 있었던 예측된 이 y hat을 가지고 실제 y 간의 차이를 갖다 봤었던 게 요건데요. 자 이 해당되는 부분이 normally distributed 됐다라는 얘기에요. 그래서 예를 들어서 이게 x1이었고 이게 x2였어. 이게 뭐야? 잔차. 그리고 이렇게 봤을 때 이렇게 정규성 과정을 둘 다 따르더라. 이게 바이베르이탄 변수 두 개만 봤을 때도 이런 입실론에 해당되는 부분이 이렇게 두 가지로 평가가 돼요.

2차 전사:  실제 y간의 차이를 갖다 봤었던 게 이건데요 이 해당된 부분이 Normally distributed 됐다는 얘기예요 그래서 예를 들어서 이게 x1이었고 이게 x2였어 이게 뭐야? 잔차를 이렇게 봤을 때 이렇게 정규성 과정을 둘 다 따르더라 이게 이제 바이베르 2탄, 변수 두 개만

## 5-1 창 0036 · 00:30:15–00:30:34 · 자료 근거 정정 있음

다변량 정규분포의 명칭이 다별한/다별로 훼손되어 화면 제목만 정규화한다. 주변 이론 주장까지 확정하지 않는다.

![[review/audio/5-1/clips/0036.m4a]]

근거 파일: [[review/audio/5-1/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 바이베르이탄 변수 두 개만 봤을 때도 이런 입실론에 해당되는 부분이 이렇게 두 가지로 평가가 돼요. 그러니까 다별한 정규분포라고 얘기하는 것은 뭐냐면 변수가 두 개에 기반됐을 때 해당되는 잔차조차도 정규성 과정을 따로야 된다는 거예요. 그러니까 우리가 유니베르이탄 할 때는 이게 SQ축 하나에 대해서 입실론 하나에 대해서 이렇게 봐야겠지만

2차 전사:  두 가지로 평가가 되어야 됩니다. 다별한 정규분포가 다별한 정규분포라고 얘기하는 것은 뭐냐면 변수가 두 개에 기반됐을 때 해당되는 잔차조차도 다별 정규성 과정을 따로 해야 된다는 거예요. 우리가 유니베리트 할 때는

**자료·검토에 따른 정정:** 다변량 정규 분포

근거: 왼쪽그림패널제목이보인다.주변발언의이론적정확성전체를확정하지않는다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0037 · 00:30:36–00:30:53 · 중요한 의미 차이 미발견

변수2개에서 다변량정규 도형을 돌려보는 비유는 같다. 결론부 일부는 창 끝에서 잘린다.

![[review/audio/5-1/clips/0037.m4a]]

근거 파일: [[review/audio/5-1/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그러니까 우리가 유니베르이탄 할 때는 이게 SQ축 하나에 대해서 입실론 하나에 대해서 이렇게 봐야겠지만 변수 두 개를 본다면 변수 두 개에 대해서도 이렇게 이렇게 이렇게 이렇게 이렇게 이렇게 지금 내가 이걸 그리는 거예요. 지금 보면 어떤 식으로 돌려보더라도 이 해당되는 다별량 정규분포를 따르도록 만들어야 된다는 얘기인 거죠.

2차 전사:  이 실론 하나에 대해서 이렇게 봐야겠지만 변수 두 개를 본다라면 변수 두 개에 대해서도 이렇게 이렇게 이렇게 이렇게 이렇게 이렇게 지금 내가 이걸 그린 거예요

## 5-1 창 0038 · 00:31:02–00:31:10 · 자료 근거 정정 있음

f(x,μ,Σ) 밀도함수의 인자를 S가 끝에서 생략한다. 전체 표기는 보이는 화면 식으로만 보충한다.

![[review/audio/5-1/clips/0038.m4a]]

근거 파일: [[review/audio/5-1/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 다별량 정규분포에 대해서 우리가 이 밀도함수를 구하는 식이 뭐냐면 이게 위에 있어. y는 f에다가 x 넣고 mu 넣고 시그마 넣었으니

2차 전사:  이 밀도 함수를 구하는 식이 뭐냐면 요게 위에 있어 y는 f에다가 x 넣고 mu 넣고

**자료·검토에 따른 정정:** 화면의정규밀도함수표기는f(x,μ,Σ)이다.

근거: 위밀도함수의인자세개가보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0039 · 00:31:59–00:32:18 · 자료 근거 정정 있음

Q-Q의 x축이 Symmetrical Contile로 바뀌었다. 화면은 Theoretical Quantiles다.

![[review/audio/5-1/clips/0039.m4a]]

근거 파일: [[review/audio/5-1/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 x1, x2, x3, x4 다별량 변수로 다별량 선용회기를 모델을 만들더라도 이 가정사항은 지켜져야 됩니다. 자 그래서 이걸 갖다가 우리가 가장 많이 보는 분석했을 때 보는 그 차트 자체가 컨타일 컨타일, Q, Q, 플롯이라고 얘기를 합니다. 그래서 지금 보면 X축이 theoretical contour이에요. 또 이 해당되는 Y축에 해당되는 부분은 잔차예요. 그냥 표준화된 잔차 이렇게 써 있죠.

2차 전사:  만들더라도 이 가정사항은 지켜줘야 됩니다 그래서 이걸 우리가 가장 많이 보는 분석했을 때 보는 차트 자체가 Contile, Contile, Q, Qplot 이라고 의미한 쪽으로 이야기합니다 그래서 지금 보면 X축이 Symmetrical Contile 이에요 또 이 해당되는 Y축에 해당되는

**자료·검토에 따른 정정:** Q-Q가로축:Theoretical Quantiles;세로축:Standardized residuals

근거: 실제Normal Q-Q그림의두축라벨이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0040 · 00:32:25–00:32:35 · 자료 근거 정정 있음

Strictly→theoretical로 개선된 축 명칭을 실제 Q-Q축으로 확인한다. 낮든높든의 범위는 문맥상 같고 y예측값 축으로 바꾸지 않는다.

![[review/audio/5-1/clips/0040.m4a]]

근거 파일: [[review/audio/5-1/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예측된 값이 낮게 나올 때, 높게 나올 때 이렇게 써져 있는 거고요. Strictly Quantile 기본으로 봤을 때 이 관측치가 실적 관측치잖아요. 우리가 그 값이 스케일이 높든 간에 그때 표준화된 전차가 어떻게 돼 있어?

2차 전사:  낮게 나올 때, 높게 나올 때 이렇게 써져 있는 거고요 theoretical quantile을 봤을 때 이 관측치가 실제 관측치잖아요 우리가 그 값이 스케일이 낮든 높든 간에

**자료·검토에 따른 정정:** Theoretical Quantiles(정규Q-Q의가로축)

근거: 오른쪽Q-Q그림의가로축라벨을확인했다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0041 · 00:32:38–00:32:50 · 자료 근거 정정 있음

극단으로 갈수록 퍼진다는 공통 설명이지만 Q-Q 가로축을 추정Y스케일로 읽는 말은 화면 축과 다르다. 축만 자료 기준으로 바로잡는다.

![[review/audio/5-1/clips/0041.m4a]]

근거 파일: [[review/audio/5-1/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 그 값이 스케일이 높든 간에 그때 표준화된 전차가 어떻게 돼 있어? Normally Distributed 돼 있긴 해요. 근데 이게 점차 극단 값으로 갈수록 추정된 Y의 스케일 값이 높아질수록 이 해당되는 레지듀얼이 조금씩 벌어지는 게 경험성이 보이긴 하죠.

2차 전사:  대해선 normally distributed 되어 있긴 해요. 그렇죠? 그런데 이게 점차 극단값으로 갈수록 추정된 y의 scale 값이 높아질수록 이 해당되는 residual이 조금씩 벌어져요.

**자료·검토에 따른 정정:** 이Q-Q그림의가로축은이론적분위수,세로축은표준화잔차다.

근거: Normal Q-Q의실제축라벨과일치하도록설명용표기를제한한다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 9

[[pdf/6._Linear_Regression_III_updated/page-009.jpg|자료 화면 열기]]

## 5-1 창 0042 · 00:33:16–00:33:29 · 중요한 의미 차이 미발견

Sampled Quantile과 skewness 음수라는 설명의 앞부분은 같다. 부호 결론은 창 경계 밖이라 복원하지 않는다.

![[review/audio/5-1/clips/0042.m4a]]

근거 파일: [[review/audio/5-1/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모든간에 이 오창 자체가 좀 일관됐으면 좋겠다는 게 우리가 선용 회기 모델에 대한 가정이거든요 근데 이렇게 샘플드 퀀터하일이 이렇게 휘어져 있어 그럼 이거는 뭘 의미하냐고 얘기한다면 이렇게 skewness가 마이너스에 해당되는

2차 전사:  상황 자체가 일관됐으면 좋겠다는 게 우리가 선형 회귀모델에 대한 가정이거든요 근데 이렇게 SampledQuantile이 이렇게 휘어져 있어 그럼 이거는 뭘 의미하냐 라고 얘기한다면

## 5-1 창 0043 · 00:34:48–00:34:56 · 중요한 의미 차이 미발견

kurtosis의4제곱 관련 자기수정은 유지된다.4제곱 함수라는 표현의 엄밀성은 화면에 수식이 없어 확정하지 않는다.

![[review/audio/5-1/clips/0043.m4a]]

근거 파일: [[review/audio/5-1/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아니다 아니다 아니다 아니다 쿼터시스는 여러분들 4제곱의 이거 쿼터시스라고 한번 찾아보고 그 수식을 봐봐요. 4제곱에 대한 그래서 이 해당되는 부분은 마이너스 플러스라기보다는

2차 전사:  아니다 아니다 아니다 커터시스는 여러분들 4제곱의 함수입니다 커터시스라고 한번 찾아보고 그 수식을 봐봐요 4제곱에 대한 함수에요

## 5-1 창 0044 · 00:35:23–00:35:35 · 중요한 의미 차이 미발견

가운데가 두꺼운 분포라는 시각 비교는 같다. 꺾이는 정확한 방향/분포의 명칭은 이 창에서 추가하지 않는다.

![[review/audio/5-1/clips/0044.m4a]]

근거 파일: [[review/audio/5-1/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 만약에 반대로 이렇게 꺾여져 있는 쪽이야. 가운데 쪽이 두껍게 돼 있는 디스트리비션을 따르는구나 라고 이해를 할 수 있습니다. 그래서 다시 얘기하면 실제 우리가 가정을 갖더라도

2차 전사:  이렇게 꺾여져 있는 쪽이야. 이렇게 되면 우리가 아, 가운데 쪽이 이렇게 두껍게 돼 있는 디스트리비션을 따르는구나 라고 이해를 할 수 있습니다. 그래서 다시 얘기하면

## 5-1 창 0045 · 00:36:12–00:36:23 · 자료 근거 정정 있음

등분산성이 동물산성으로 훼손되어 화면 제목으로 정규화한다.

![[review/audio/5-1/clips/0045.m4a]]

근거 파일: [[review/audio/5-1/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 세 번째로는 등분산성이에요. 얘기를 하다 보니까 되게 지치네요. 여러분들은 좀 지치지 말고 또 으쌰으쌰 또 졸지 말고 잘 이해해서 보도록 하고요. 여러분들 중간고사 보는 거 알죠? 우리 데이터 마이닝은 워낙 수강생도 많고 온라인으로 진행하는 거기 때문에

2차 전사:  동물산성이에요. 얘기를 하다 보니까 되게 지치네요. 여러분들은 지치지 말고 또 으쌰으쌰 졸지 말고 잘 이해해서 보도록 하고요. 여러분들 중간고사 보는 거 알죠?

**자료·검토에 따른 정정:** 등분산성(Equal Variance)

근거: 패널이름과설명문에등분산성이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 11

[[pdf/6._Linear_Regression_III_updated/page-011.jpg|자료 화면 열기]]

## 5-1 창 0046 · 00:36:44–00:36:52 · 중요한 의미 차이 미발견

노멀리라고 하다가 아니라고 하는 자기수정·부정이 양쪽에 남아 있다. 완결된 정규성 주장으로 만들지 않는다.

![[review/audio/5-1/clips/0046.m4a]]

근거 파일: [[review/audio/5-1/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 지금 보면 예측값이 이렇게 쭉 X축에 쭉 노멀리... 아, 그렇지 않습니다. 아니에요. 예측값이 스케일에 따라서 퍼져 있거나

2차 전사:  쭉 x축에 쭉 노멀이디... 아... 아니에요. x축까지 쭉 스케일에 따라서 이렇게

## 5-1 창 0047 · 00:36:58–00:37:17 · 중요한 의미 차이 미발견

잔차는0중심,분산σ²로 퍼져 보인다는 공통 설명이며 수치/방향 변화는 없다.

![[review/audio/5-1/clips/0047.m4a]]

근거 파일: [[review/audio/5-1/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 특징이 잔차를 Y축으로 잡았을 때 노멀리 디스튜뷰티가 이렇게 돼 있는 거 이거는 내가 직접 한 땀에 따라서 최선을 다해 만들어 본 거예요 이게 보면 누가 봐도 잔차가 노멀리 디스튜뷰티 돼 있잖아 0에 따라서 분산이 시그마 제곱만큼 퍼져 있는 것처럼 보여져 있잖아

2차 전사:  잔차를 y축으로 잡았을 때 노멀리 디스트리뷰티로 이렇게 돼 있는 거 이거는 내가 직접 한 땀 한 땀 한 땀에 따라서 최선을 다해 만들어 본 거예요. 이게 보면 누가 봐도 잔차가 노멀리 디스트리뷰티 돼 있잖아. 0에 따라서 분산이 시그마 제곱만

## 5-1 창 0048 · 00:37:25–00:37:45 · 자료 근거 정정 있음

MPG mile per gallon 설명이 S에서 b i 0 b로 끝난다. 자료의 단위를 사용해 연비로 정규화한다.

![[review/audio/5-1/clips/0048.m4a]]

근거 파일: [[review/audio/5-1/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이건 MT-Cards라는 데이터에서 요 Y축에 해당되는 값이 뭐냐? 마일퍼 갤런이야. MPG라는 거야. 마일퍼 갤런. 그러니까 다시 하면은 한국말로 하면 뭐지? 그거 뭐 있지? 음.. 그냥 생각이 안하냐? 비야 연비. 자, 마일퍼 갤런은 연비에요.

2차 전사:  데이터에서 y 축에 해당되는 값이 뭐냐면 mile per gallon이야 mpg 라는 거야 mile per gallon 그러니까 다시 하면은 한국말로 하면 뭐지? 뭐 있지? 생각이 안 나냐? b i 0 b

**자료·검토에 따른 정정:** mpg는Miles/(US)gallon으로연비를나타낸다.

근거: 변수설명표mpg행의단위가보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 27

[[pdf/6._Linear_Regression_III_updated/page-027.jpg|자료 화면 열기]]

## 5-1 창 0049 · 00:38:00–00:38:19 · 자료 근거 정정 있음

qsec/am의 의미를 두 전사 모두 추측하고 S는 아닌데 자기수정을 약화한다. 데이터 설명표로 정의를 확인하되 발언 자체는 복원하지 않는다.

![[review/audio/5-1/clips/0049.m4a]]

근거 파일: [[review/audio/5-1/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇게 얘기를 한다면 우리가 마일퍼 갤런으로 연비를 뭘로 예측해? 웨이트, 그 차에 대한 중량, 그 다음에 큐셋, 뭔지 모르겠어요. 또 암페어? 아닌데. 뭐 암튼 AM 이런 차에 대한 특징 세 가지로 연비를 예측하는 정보를 본다면 그때 우리가 추정된 Y 핫값과 실제 잔차의 관계를 봤을 때 어떻게 돼?

2차 전사:  연비를 뭘로 예측해? weight, 차에 대한 중량, qsec, 암페어, 암튼 am 이런 차에 대한 특징 3가지로 연비를 예측하는 정보로 본다면 그때 우리가 추정된 y

**자료·검토에 따른 정정:** wt=Weight(lb/1000),qsec=1/4mile time,am=Transmission(0=automatic,1=manual)

근거: 데이터설명표의세행이보인다.말로어떤단어를말했는지확정하는교정이아니다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 27

[[pdf/6._Linear_Regression_III_updated/page-027.jpg|자료 화면 열기]]

## 5-1 창 0050 · 00:38:27–00:38:37 · 중요한 의미 차이 미발견

등분산성을 따르지 않는다는 설명의 앞뒤 경계 및 공분산행렬 언급이 같다. 새 부정 반전은 없다.

![[review/audio/5-1/clips/0050.m4a]]

근거 파일: [[review/audio/5-1/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그러면 등분산성을 좀 따르지는 않네 라는 것들을 좀 알 수 있다는 얘기예요. 자 그래서 모든 시그마 제곱에 대한 부분을 갖다가 매트릭스를 잡았을 때 이 5창에 대한 등분산성을 가지려면 어떤 식으로 되냐면

2차 전사:  라는 것들을 좀 알 수 있다는 얘기예요. 자 그래서 모든 시그마 제곰에 대한 부분을 갖다가 매트릭스를 잡았을 때 이 5창에 대한 등분산성을 갖을

## 5-1 창 0051 · 00:38:57–00:39:10 · 중요한 의미 차이 미발견

대각행렬과 독립성으로 넘어가는 문장이 같다. 등분산만으로 대각성이 요구된다는 공통 원자료 조건문제 REG-02를 주의한다.

![[review/audio/5-1/clips/0051.m4a]]

근거 파일: [[review/audio/5-1/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이런 대각 행렬이 되어야지만 여러분들 등분산성을 따른다고 알 수 있는 거예요. 자 네 번째로 독립성에 대한 얘기를 해볼게요. 각각 독립성은 뭐였죠? 세 번째 얘기하는 거니까 인지를 알겠지. xm과 xn이라는 변수가 있었는데 그 확률변수 두 가지에 대해서 우리가 각각의 확률을 구해봤더니 뭐야?

2차 전사:  등분산성을 따른다 라고 알 수 있는 거예요 자 네 번째로 독립성에 대한 얘기를 해 볼게요 각각 독립성은 뭐였죠? 세 번째 얘기하는 거니까 이제 알겠지 Xm과 Xn이라는 변수가 있었는데

## 5-1 창 0052 · 00:39:34–00:39:43 · 자료 근거 정정 있음

독립성 교집합이0이라는 숫자 주장은 양쪽에 같다. 화면의 곱셈 등식과 다르므로 문구를 자료 기준으로 정규화하고 독립성/배반을 섞지 않는다.

![[review/audio/5-1/clips/0052.m4a]]

근거 파일: [[review/audio/5-1/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 교집합이 얼마다? 0이다. 자 이 독립성에 대한 얘기를 좀 해볼게요. 그러면은 학습 데이터에 대해서 독립변수에 관해 상호작용이 있어.

2차 전사:  교집합이 얼마다? 0이다. 자 이 독립성에 대한 얘기를 좀 해볼게요. 그러면은 학습 데이터에 대해서 독립

**자료·검토에 따른 정정:** 표시된식은P(X_m∩X_n)=P(X_m)P(X_n)이다.교집합0이라는식은아니다.

근거: 독립성상자의곱셈등식이보인다.다만X독립성을회귀가정으로삼은원자료문제REG-01은별개다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 12

[[pdf/6._Linear_Regression_III_updated/page-012.jpg|자료 화면 열기]]

## 5-1 창 0053 · 00:40:01–00:40:08 · 자료 근거 정정 있음

아버지키 계수 .15가 창 말미에서 불완전하다. 화면에 보이는 계수 표기로만 확인한다.

![[review/audio/5-1/clips/0053.m4a]]

근거 파일: [[review/audio/5-1/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 중에서 X1이 뭐였냐면 아버지의 키야. 오케이? 아버지의 키가 베타 값을 추정해봤는데 그게 0.15였어요.

2차 전사:  그 중에서 x1이 뭐 있냐면 아버지의 키야. 어? 오케이? 아버지의 키가 베타 값을 추징해 봤는데 그게

**자료·검토에 따른 정정:** 이예제의아버지키계수는.15다.

근거: 아버지키옆β1계수.15가보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 12

[[pdf/6._Linear_Regression_III_updated/page-012.jpg|자료 화면 열기]]

## 5-1 창 0054 · 00:41:38–00:41:54 · 자료 근거 정정 있음

.15/.1에 영향이 0을 넣었던게로 바뀌어 계수/변화량을 흐린다. 화면 두 계수와 10cm 변화 예제만 정규화한다.

![[review/audio/5-1/clips/0054.m4a]]

근거 파일: [[review/audio/5-1/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 할아버지가 나한테 줬었던 이 영향성 베타2가 무너져버린다는 얘기예요 왜냐하면 할아버지는 그건 아빠의 아빠잖아 이렇게 되면 이 0.15와 0.1에 각각을 영향을 줬던 게 아버지가 10cm 늘어났고 할아버지도 10cm 늘어났어. 다시 얘기하면 X1번째에 해당되는 관측치의 아버지 키는 160이었고 할아버지의 키는 180이었어.

2차 전사:  왜냐하면 할아버지는 아빠의 아빠 잖아 이렇게 되면 이 0.15와 0.1에 각각을 0에 넣었던게 아버지가 10cm 늘어났고 할아버지도 10cm 늘어났어 다시 얘기하면 x1번

**자료·검토에 따른 정정:** 예제계수.15,.1에서X1,X2가각각10cm증가하면표시된계산은1.5+1=2.5cm다.

근거: 슬라이드에.15/.1,두10cm화살표,1.5+1=2.5cm+???가보인다.???와상관된변수해석은원자료문맥으로보존한다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 14

[[pdf/6._Linear_Regression_III_updated/page-014.jpg|자료 화면 열기]]

## 5-1 창 0055 · 00:42:10–00:42:18 · 학습 보류

190에서210으로 정정하는 부분이 창 밖까지 걸친다. 창 내 자기수정이 불완전하여 최종 키값을 확정하지 않는다.

![[review/audio/5-1/clips/0055.m4a]]

근거 파일: [[review/audio/5-1/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): X3에 해당되는 아버지의 키는 또 190이었어 자 이렇게 되면 아 190 말고 똑같이 해보자 똑같이 210이었어 할아버지는

2차 전사:  3에 해당되는 아버지의 키는 또 190이었어. 자 이렇게 되면 190 말고 똑같이 해보자. 똑같이.