5주차 회고
잘한것
스택과 큐에 대해서 발표자료를 정리하면서 느낀 부분은 내가 모르는것을 이해하고 남들에게 설명하는 과정에서 더 많이 배운다는 사실을 알게되었다. 그리고 그 배움이 잘못된 정보일까 걱정하기 보다 발표와 피드백을 통해 얼마든지 수정,보완 할 수 있다는것이 좋았다. 그리고 더 오래 기억에 남는 장점도 있다.
느낀것
주어진 학습 노드 이외에 방과후 학습으로 밑바닥부터 시작하는 딥러닝 1권을 윤경 퍼실님 주관아래 여러 SSAC, 대전AIFFEL 분들과 함께 끝냈다. 혼자서 공부하는 방식으로 학습했다면 불가능한 목표였을거고, 플립러닝의 위력을 실감했다.물론 책의 내용을 100% 이해 한 것은 아니지만, 반복해서 꾸준히 익히다 보면 더 이해가 쉬워지고 새로운 접근이 가능해 지리라 믿는다.
교훈
지난 학습 기간 동안 상대적으로 exploration 노드 학습과 제출에 많은 시간과 노력이 필요했다. 그래서 개념에 대한 반복및 심화 학습과 기술적 코드 구현등에 너무 몰입하다보니 fundamental 에서 미성취한 노드가 발생하였다. 이것또한 성취일이 지나고 나서 알았다.
성취와 미성취 여부가 마치 나에게 심리적 보상과 불안을 야기하는것 같았다. 이를 개선하기 위해서 내가 생각한 결론은 다음과 같다.
1.완벽해질때까지 시작하기를 기다리지 말것
2. 성취와 미성취 여부는 하나의 지표이고 동기를 부여하기 위함이지 나를 평가하기 위한 수단이 아니다.(마인드셋)
3.1번과 2번을 잊지말고, 그 날의 노드는 그 날 성취하자.
4.작은 성취를 매일 쌓아나가자(너무 작아서 그날 성취하지 못할수가 없는 작은 목표들)
할것
스택과 큐와 같은 추상화 자료구조에 대해 알게되면서 하드웨어 메모리의 구조와 접근 방법들이 궁금해 졌다. 사람도 기억저장소가 있고, 회상을 통해 그 기억을 불러오는데 컴퓨터 메모리와 기억을 주관하는 생물학적 뇌 구조 와의 차이점은 어떤것이 있는지 더 알아보고 싶다.
내 멋대로 정리
지도학습은 회귀와 분류로 크게 나뉘는데 그 중 회귀는 연속형 변수간의 관계를 모델링하고 적합도를 측정하는 분석 모델이다. 선형 회귀 대표적인 회귀모델로 선형회귀는 독립변수와 종속변수의 관계를 직관적이고 쉽게 구현할 수 있다는 장점이 있다. 로지스틱회귀는 선형 회귀에서 구하는 직선을 S자 곡선 형태로 적용하여 분류의 정확도를 향상 시킬 수 있다. 비용함수로 시그모이드 함수가 주로 쓰이며 로지스틱 회귀는 종속변수의 범주가 2개인 경우 이진분류를 통해 범주별 확률 추정을 하는데 활용되며, 다중 로지스틱 회귀분석 모델은 종속변수의 범주가 여러 개인 경우의 활용되고, 비용함수로는 크로스엔트로피와 소프트맥스 함수를 주로 쓴다.
