ReadCode

AI를 아는 것에서, 풀 수 있는 것으로

벡터와 행렬의 직관 — 숫자 묶음의 기하학 | ReadCode

📚커리큘럼 🎯실력 진단 🏆도전 📋모집공고·모의면접 ⚔️미션·랭킹 🌱학습 현황 🎟️요금제

학습 기록

로그인하면 공부 기록이 여기에 저장돼요.

Pro 시작하기 로그인

이런 분들이 찾고 있어요

이 레슨과 관련된 학습 키워드

CS/AI 전공 대학생

선형대수 기말고유값 시험확률통계 정리AI 수학 과제

비전공/입문자

선형대수 쉽게머신러닝 수학AI에 필요한 수학

취준생

데이터 사이언스 수학ML 수학 면접

직장인

실무에 필요한 수학

대학원생/연구자

convex optimization정보 이론 논문

AI 교육 플랫폼

AI 교육 플랫폼 추천AI 강의 사이트머신러닝 온라인 강의딥러닝 강의 추천

AI 독학/로드맵

AI 독학 방법머신러닝 공부 순서딥러닝 로드맵머신러닝 독학 로드맵

AI 취업/커리어

AI 취업 준비데이터 사이언티스트 강의ML 엔지니어 준비AI 면접 준비

상호명: Kairoba Inc. | 대표자명: 김희원 | 사업자등록번호: 370-81-04127

사업장 주소: 서울특별시 동작구 상도로55길 6, 104호(상도동, 테크스테이션) | 유선번호: 02-820-0679

고객센터: readcode@kairoba.com

© 2026 ReadCode. All rights reserved.

벡터와 행렬의 직관

1 / 16

왜 선형대수가 AI에 필요한가?

100%

왜 선형대수가 AI에 필요한가? 실무에서 이 개념 없이는 문제를 해결할 수 없습니다. 핵심 동기와 배경을 먼저 이해합시다. AI의 모든 데이터는 결국 숫자의 배열 입니다. 이미지는 픽셀 값의 행렬, 텍스트는 임베딩 벡터, 음성은 주파수 스펙트럼 행렬입니다. 선형대수가 필수인 이유: 데이터 표현: 모든 AI 데이터는 벡터(1차원)와 행렬(2차원)로 변환 연산 통일: 신경망의 순전파/역전파 = 행렬 곱셈의 반복 기하학적 직관: 고차원 공간에서 데이터 분포를 이해하는 도구 최적화 기반: 경사하강법, PCA, SVD 등 핵심 알고리즘의 수학적 기반 실제 사용 사례: 이미지 28\times28 = 784차원 벡터 \to 가중치 행렬 W (128\times784) 곱셈 = 신경망 1층 단어 "왕" \to 300차원 벡터, "왕 - 남자 + 여자 \approx 여왕" (벡터 산술) 추천 시스템: 사용자\times아이템 행렬 분해로 빈칸 예측 (Netflix Prize) Attention: Q\cdotK T 행렬 곱으로 단어 간 관련성 계산 이 레슨에서 배울 것: 벡터 \to 행렬 \to 내적 \to 행렬 곱셈 \to 행렬식 \to 역행렬 \to 랭크와 기저 \to 선형 변환 \to 투영 \to 실전 코드 이 흐름을 따라가면 AI의 수학적 기반이 자연스럽게 세워집니다.

0:00 / 2:17