본문 바로가기

DataScience60

통계학 _ 이산형 확률변수, 연속형 확률변수 통계학_이산형 확률변수, 연속형 확률변수 확률 변수(Random Variable) - 확률적 시행의 결과에 따라 결과 값이 결정되는 변수 - 이산형(Discrete) 확률변수 → 이산형 확률분포, 확률질량함수(Probability Mass Function, Pmf) → 이산형 확률변수의 누적분포함수 * 특성 1) F(∞) = 1, F(-∞) = 0 2) F(x)는 단조함수이면서 비감소함수이다. F(a) ≤ F(b) (*단 a ＜ b) 3) F(x)는 h가 0으로 변화하는 구간에서 연속이다. lim F(x+h) = F(x) (* - 연속형(Continuous) 확률변수 → 연속형 확률분포, 확률밀도함수(Probability Density Function, Pdf) → 연속형 확률분포에서 X가 a와 b사이의.. 2023. 7. 14.
통계학 _ 확률, 베이즈 정리 통계학_확률, 베이즈 정리 사상 & 표본공간 - 확률실험 (random experiment) : 확실히 예측할 수 없는 결과를 유발하는 행위 또는 과정 - 표본공간 (sample space) : 출현가능한 모든 단일사상들의 집합 - 사상 (events) : 표본공간의 부분집합, 하나 이상의 단일사상의 집합 - 근원사상 (elementary outcome, =단일사상) : 표본공간을 구성하는 분해할 수 없는 무작위 실험의 기본적인 결과 - 여사상 (complement) : 특정 사상의 나머지 집합, P(A^c) = 1-P(A) 확률(Probability) - 각 근원사상들이 발생할 가능성이 발생할 가능성이 같을 때, 사상 A의 확률 P(A)는 확률의 성질 - 임의의 사상 A에 대하여 1) 0 ≤ P(A) .. 2023. 7. 13.
통계학 _ 기술 통계학 통계학_기술통계 자료의 분류 (1) 범주형 자료(Categorical data) : 숫자로 표현이 불가한 자료를 집단화하여 나타낸 자료(질적자료: 명목형, 순서형) (2) 측정형 자료(Measurement data) : 각 관측대상이 되는 자료에 측정단위에 따른 측정값을 부여하여 얻어진 데이터로 숫자의 크기에 의미가 있는 자료(양적자료: 이산형, 연속형) 척도에 대한 분류 (1) 명목척도(Norminal) : 빈도 분석 (2) 순서척도(Ordinal) : 차례가 있으며 각 간격은 다를 수 있다..(ex. 초, 중, 고) (3) 구간(=등간)척도(Interval) : 간격과 순서가 있는 척도 (4) 비율척도(Ratio) : 절대 0점이 있는 척도(연산이 가능) 위치의 측도 *통계학의 3M : Mean(평균.. 2023. 7. 12.
참고 : Ubuntu WSL 환경에서 리눅스 GUI 활용하기 Ubuntu WSL 환경에서 YOLOv5나 OpenCV를 사용할 때 시각화가 필요한 경우가 많다. 하지만 WSL환경에서는 아래와 같은 오류를 만나게 된다 "Available platform plugins are: xcb." 이를 해결하기 위해서는 아래 Xming X Server for Windows 파일을 다운로드 받아서 설치해준 후 별도의 설정이 필요했다. https://sourceforge.net/projects/xming/ Xming X Server for Windows Download Xming X Server for Windows for free. X Window System Server for Windows. Xming is the leading X Window System Server for.. 2023. 7. 11.
참고 : Windows에 설치된 VirtualBox를 사용하여 Ubuntu 설치하기 개발환경을 셋팅할 때 Linux 환경에서 사용해야 할 때가 있다. Windows와 Ubuntu를 듀얼부팅 환경으로 설치할 수도 있지만, 최근 Windows에서는 WSL2도 환경이 양호하기 때문에 가상머신을 활용하는 경우들도 많다. (※ 드라이브에 직접 설치하는 것과 비교했을 때 장/단점이 있기 때문에 사용자의 선호도와 개발상황에 따라 선택하여 설치하면 된다.) 앞서 언급했던 것 처럼 Windows에서 가상머신을 통해 Ubuntu를 설치하여 사용이 가능한데 아래 사이트가 설명이 잘 되어 있어 참고하기 위해 본 글에 링크를 포스팅한다. Windows에 설치된 VirtualBox를 사용하여 Ubuntu 설치하기 - 멈춤보단 천천히라도 (tistory.com) Windows에 설치된 VirtualBox를 사용하.. 2023. 7. 6.
통계학 _ 통계 기본 개념(모집단, 모수, 표본, 통계량) 통계학_통계 기본 개념(모집단, 모수, 표본, 통계량) 통계학이란? 다양성, 그리고 의외성을 가진 Data들을 모아서(합치다 통, 統), 계산한다(셀 계, 計). 통계학 ┠ 기술 통계학(Descriptive Statistics) ┃ ┝시각적 표현(Visualization) ┃ ┝수치 요약(Statistic) ┗ 추론 통계학(Inferential Statistics) ┝모수 추정(Estimation) ┝가설 검정(Hypothesis test) 모집단과 표본간의 관계 - 모집단(Population) : 연구대상이 되는 모든 가능한 관측값이나 측정값의 전체집합 - 모수(Parameter) : 모집단 특성값(예 : 모평균, 모표준편차, 모분산, 모비율 등) - 표본(Sample) : 모집단 전체의 특성을 파악하.. 2023. 7. 3.
컴퓨터 비전 :: Stereo Vision 본 포스팅은 성균관대학교 최재영 교수님의 '컴퓨터 비전(Computer Vision)' 강의 내용을 참고하여 작성되었습니다. 컴퓨터 비전 :: Stereo Vision - 2대의 카메라 이용 → 각 카메라에서 영상을 얻어서 처리 → 객체의 깊이(원근) 파악 Two-view Geometry · Epipolar Geometry(음극선 기하학) : 2대의 카메라를 이용해서 각각의 Camera에서 영상을 얻어서 처리하여 객체의 깊이(원근)을 파악하는 방식이며 이를 통하여 두 이미지 사이의 관계를 구할 수 있습니다. - Baseline : 두 Camera centers(O-O')를 연결한 직선 - Epiploe(e, e') : Baseline이 각 이미지에 Image에 맞닿는 점 - Epipolar line : .. 2023. 6. 20.
컴퓨터 비전 :: Feature Matching 본 포스팅은 성균관대학교 최재영 교수님의 '컴퓨터 비전(Computer Vision)' 강의 내용을 참고하여 작성되었습니다. 컴퓨터 비전 :: Feature Matching Fitting, Alignment, RANSAC · Fitting - Condition : Input은 Noise(Clutter, Outliers, Multiple lines, Occlusion)를 포함한 point들의 집합 - 점들이 Line을 따라 위치할 때 최적의 라인을 찾는 법 → Least squares - Outlier가 있다면? → Robust fitting, RANSAC - Line이 많을 경우? → Voting methods, RANSAC, Hough transform - Line인지 확실치 않다면? → Model s.. 2023. 6. 19.
컴퓨터 비전 :: Feature Descriptors 본 포스팅은 성균관대학교 최재영 교수님의 '컴퓨터 비전(Computer Vision)' 강의 내용을 참고하여 작성되었습니다. 컴퓨터 비전 :: Feature Descriptors Feature Description · Good feature의 특징 (1) 반복성 : 같은 feature는 transformation해도 찾을 수 있다. (2) 독특, 구분성(Saliency, 철극성) (3) 간단, 효율(Compactness, efficiency) : 적은 수, 효율적 (4) 지역성(Locality) : 이미지에서 상대적 적은 위치를 차지 → robust to clutter and occlusion · How to match? - 템플릿 매칭은 변형(Scaling, Rotation)하면 사용할 수 없다. → .. 2023. 6. 18.
컴퓨터 비전 :: Local Feature Detection 본 포스팅은 성균관대학교 최재영 교수님의 '컴퓨터 비전(Computer Vision)' 강의 내용을 참고하여 작성되었습니다. 컴퓨터 비전 :: Local Feature Detection Local Features · Local feature의 특징 - 이미지 매칭의 과정 : Extract features(Detection → Description)s → match features → align image - Local feature의 이점 ① Locality(지역적 특성) : Robust to occlusion and clutter ② Quantity : 하나의 이미지에서 수많은 특징을 찾아낼 수 있다. → 효율 측면에서 필요한 몇 개만 추출 ③ Distinctiveness(구분성, 독창성) : 다른 특.. 2023. 6. 17.
반응형

티스토리툴바