sweetdev

엄청 큰 행렬 문제를 푼다고 생각해보자... 예를 들면 그래픽스에서 Global Illumination을 구할 때. 조명이 하나인데 얘가 다른 물체에 반사되고, 또 그 물체에서 반사된 빛이 다른 물체에 반사되고... 무한 반복일 때 현존하는 방법으로 계산하면 정말 오래걸릴것이다. 실시간 렌더링이 중요할 때는 맞지 않다.. 그래서 두가지의 방법을 이야기하려고 한다 1. Jacobi Method 2. Gauss-Seidal Method

Intro PCA는 데이터가 여러 component(dimension)를 갖고 있을 때, 1) 가장 grouping하기 좋은 특징을 찾아 clustering을 하고 싶을 때 2) 여러 component 중 데이터를 대표하는 component를 구하고 싶을 때 3) dimension을 축소하고 싶을 때 등등의 경우에 쓴다고 생각하면 된다. component 중 가장 데이터를 대표하는 특징을 '주 성분(Principle Component)' 이라고 부른다. Step-By-Step 1. 모든 data를 원점이 중심이 되게 옮긴다. 2. data들로 covariance matrix를 구한다. 3. covariance matrix의 Eigenvalue, Eigenvector들을 구한다. 4. Eigenvalue들..