PCA This course is a basic introduction to parts of the field of computer vision. This version of the course covers topics in 'early' or 'low' level vision.

Slides:



Advertisements
Similar presentations
Classroom English How do you say _________ in Korean? _________ 는 한국어로 뭐예요 ?
Advertisements

Lesson 2 A Caring Friend. Making true friends is hard. Keeping them is even harder. To keep a good friendship, you need to care about others. Then, how.
CKS FA13 11 TH GM BARROWS. MEETINGS  General Meetings: Every Friday, 56 Barrows  Staff Meetings: Every Sunday, 115.
김예슬 김원석 김세환. Info Northcutt Bikes Northcutt Bikes The Forecasting problem The Forecasting problem The solution 1~6 The.
Mechanical clocks were invented in the northern hemisphere by inventors who were trying to make models of the sun's movement in the sky. To watch the.
K3-L1 Lecture Notes 날씨와 계절 [Weather & Seasons] Prof. Mickey Hong Foreign Language & Humanities.
WEEK 1 DAY 1 COURSE INTRODUCTION
1-1. How to Make a Strong First Impression vocabulary
(Mathematical Induction)
Principal Component Analysis
Multiple features Linear Regression with multiple variables (다변량 선형회귀)
Unit 4. Making Inferences
현대범죄의 이해 4주차 Psychopath (1).
변화관리의 출발.
제 35 장 인플레이션과 실업의 상충관계.
LISTEN AND UNDERSTAND LISTEN AND SING
7장 : 캐시와 메모리.
Internet Computing KUT Youn-Hee Han
제 14 장 < 조 동 사 >.
보상플랜.
제 34 장 금융정책과 재정정책이 총수요에 미치는 효과 1.
Ch. 5 : Analog Transmission
PCA (Principal Component Analysis)
숭실대학교 마이닝연구실 김완섭 2009년 2월 8일 아이디어  - 상관분석에 대한 연구
Value proposition? Intro Concept Explanation of our model Basic concepts and Values of our model Customer Needs Analysis, Value proposition of our model.
제 10장 주성분 분석(PCA) 주성분 분석(PCA)이란? 여러 개의 양적변수들 사이의 분산-공분산 관계를
계수와 응용 (Counting and Its Applications)
KMS 구현 및 활용사례 경쟁력 강화를 위한 2002년 5월 28일(화) 김 연 홍 상무 / 기술사
Student A Say “I’m going to ask you some questions about The Internet and Technology.” Are you ready?
- 나는 내 마음의 주인공 – 집단상담프로그램 인제대학교 교육대학원 상담심리전공 하 정 선
4-1 Gaussian Distribution
진대제 장관이 말하는 '100점짜리 인생의 조건' ▲ 진대제 정보통신부 장관    `인생을 100점짜리로 만들기 위한 조건은 무엇일까요`  진대제 정보통신부 장관이 대한상의 초청 조찬 간담회를 시작하며 참석자 들에게 던진 `조크성` 질문이다. 진 장관은 "제가 재미있는 얘기하나 하겠습니다"고 말하고, 
조동사 must can will would may should.
PCA Lecture 9 주성분 분석 (PCA)
The Best Thing I've Learned This Year
Structural Dynamics & Vibration Control Lab., KAIST
Data Mining Final Project
패러다임과 과학혁명.
성문영어구문 pattern 관계대명사의 생 략.
Modeling one measurement variable against another Regression analysis (회귀분석) Chapter 12.
제 8 장 실업과 인플레이션.
9. Do you have a scientific mind?
Talk and talk Could you…? 영어 7-b
Association between two measurement variables Correlation
New Product is Available
Introduction to Programming Language
Inferences concerning two populations and paired comparisons
Association between two measurement variables Correlation
9. Do You Have a Scientific Mind?
: 부정(negative)의 의미를 나타내는 접두사
강변 교회 유초등부 설교. 강변 교회 유초등부 설교 강변 교회 유초등부 설교 이에 말씀하시되 내 마음이 매우 고민하여 죽게 되었으니 너희는 여기 머물러 나와 함께 깨어 있으라 하시고(마태복음 26:38) 이에 말씀하시되 내 마음이 매우 고민하여 죽게 되었으니.
CEO가 가져야 할 품질 혁신 마인드.
Speaking -두 번째 강의 (Part 1 실전테스트 1,2) RACHEL 선생님
The normal distribution (정규분포)
이산수학(Discrete Mathematics)
평생 간직할 멋진 말 Excellent thought applicable through our whole life
Modeling one measurement variable against another Regression analysis (회귀분석) Chapter 12.
히스토그램 그리고 이진화 This course is a basic introduction to parts of the field of computer vision. This version of the course covers topics in 'early' or 'low'
점화와 응용 (Recurrence and Its Applications)
The World of English by George E.K. Whitehead.
1. 관계 데이터 모델 (1) 관계 데이터 모델 정의 ① 논리적인 데이터 모델에서 데이터간의 관계를 기본키(primary key) 와 이를 참조하는 외래키(foreign key)로 표현하는 데이터 모델 ② 개체 집합에 대한 속성 관계를 표현하기 위해 개체를 테이블(table)
이산수학(Discrete Mathematics)
Presentation by Timothy Kane
Hongik Univ. Software Engineering Laboratory Jin Hyub Lee
A SMALL TRUTH TO MAKE LIFE 100%
A SMALL TRUTH TO MAKE LIFE 100%
Negotiation Customer does not care what is the cost
Chapter 2. Coulomb’s Law & Electric Field Intensity
Progress Seminar 이준녕.
Sawasdee ka.
Presentation transcript:

PCA This course is a basic introduction to parts of the field of computer vision. This version of the course covers topics in 'early' or 'low' level vision and parts of 'intermediate' level vision. It assumes no background in computer vision, a minimal background in Artificial Intelligence and only basic concepts in calculus, linear algebra, and probability theory. 주성분 분석 (PCA)

Feature Vectors & Representation Power 특징 벡터가 얼마나 좋은가를 분석하는 방법 ? 특징 벡터의 성능을 가시적으로 나타내는 방법 ?

Mean, Variance, Covariance and Correlation

Covariance Explained

Covariance Cheat Sheet

Organize your data into a set of (x, y)

Plug your variables into the formula 각 x, y 값과 n 값을 수식에 대입 -> 공분산 Cov(x, y)

Covariance is unbounded 변수 x와 y의 값의 크기가 매우 다를 수 있다 공분산 값을 정규화하기 위해 상관계수 사용 :

correlation of 1 indicates perfect positive correlation 상관계수는 항상 1 에서 -1 사이의 값을 갖는다 상관 계수가 1 이면, 이는 두 변수가 완벽한 긍정 상관 관계를 가짐을 나타낸다 x 가 증가하면 y 도 증가하고, x가 감소하면 y 도 감소한다 As an example of this sort of covariance, let's consider the simple business model of a lemonade stand. If x represents the number of lemonades you sell and y represents the money you make, y will always increase with x. It doesn't matter how many lemonades you sell — you'll always make more money buy selling more lemonades. You won't, for instance, start losing money after you sell your thousandth lemonade. You'll earn the same amount of profit as you did for the very first sale.

correlation of -1 indicates perfect negative correlation 상관 계수가 -1 이면, 이는 두 변수가 완벽한 부정 상관 관계를 가짐을 나타낸다 x 가 증가하면 y 는 감소하고, x가 감소하면 y 는 증가한다 As an example of this sort of correlation, let's consider a very basic supply and demand scenario. In extremely simplified terms, if x equals the number of products a company makes and y equals the price it charges for these products, as x increases, y will decrease. In other words, the more common a product becomes, the less expensive it becomes.

correlation of 0 indicates no correlation 상관 계수가 0 이면, 이는 두 변수가 전혀 상관 없음을 나타낸다 한 변수 값의 증가 또는 감소가 다른 변수 값에 어떠한 영향도 주지 않는다 As an example of this sort of correlation, let's consider the case of someone who is taking a homeopathic remedy for a viral illness. If x represents the dosage of the remedy taken and y represents the viral load in the person's bloodstream, we wouldn't necessarily expect y to increase or decrease as x increases. Rather, any fluctuation in y would be completely independent of x.

value between -1 and 1 indicates imperfect correlation -1 에서 1 사이의 상관계수는 다소 긍정 또는 다소 부정적 상관 관계를 나타낸다 예를 들어, 상관 계수 0.8은 두 변수가 매우 높은 긍정 상관 관계를 가짐을 나타낸다. 변수 x 값이 증가하면 변수 y 값도 일반적으로 증가하고, 변수 x 값이 감소하면 변수 y 값도 일반적으로 감소한다

An Example

Do everything this time using matrices Data Means Deviations Covariance Matrix ??

Covariance Matrix Shown in red along the diagonal, we see the variance of scores for each test. The art test has the biggest variance (720); and the English test, the smallest (360). So we can say that art test scores are more variable than English test scores. The covariance is displayed in black in the off-diagonal elements of matrix V. The covariance between Math and English is positive (360), and the covariance between math and art is positive (180). This means the scores tend to covary in a positive way. As scores on Math go up, scores on Art and English also tend to go up; and vice versa. The covariance between English and Art, however, is zero. This means there tends to be no predictable relationship between the movement of English and Art scores.

How to use Covariance of Features 공분산 정보를 어디에 활용 ?

Principle Component Analysis 데이터들의 주 성분은 ?

Projection onto Y axis 데이터가 Y 축으로는 넓게 분포되어 있지 않음. 즉, 분산 값이 크지 않음.

Projection onto X axis X 축을 따라 넓게 분포되어 있음. 즉, 큰 분산 값을 가짐

Eigenvectors and Eigenvalues in PCA 데이터가 주어지면, 공분산 행열을 이용하여 고유벡터와 고유값을 생성할 수 있다 고유벡터와 고유값은 항상 쌍으로 만들어진다 고유벡터는 방향을 나타낸다. 앞의 예에서, 고유벡터는 수직, 수평, 또는 45도 방향 등이 될 수 있다 고유값은 대응되는 고유벡터 방향에서의 분산을 나타낸다. 즉, 주어진 방향에서 데이터들의 분포 정도를 나타낸다 주성분은 가장 큰 고유값을 갖는 고유벡터를 말한다

Example

Example: 1st Principle Component

Example: 2nd Principle Component

Dimensionality Reduction

Only 2 dimensions are enough ev3 is the third eigenvector, which has an eigenvalue of zero.

Reduce from 3D to 2D

How to select the reduced dimension? 주어진 데이터의 유효 차원을 자동으로 선택할 수 있나 ? 이를 위한 필요한 것은 ? PCA 를 이용하여 ...