코딩테스트에 필요한 선형대수학 공부하실 분들 모집합니다~!

안녕하세요!

서울대 수리과학부를 졸업하고 현재는 직장인입니다.

그동안 수학 공부한게 아까워서 다시 공부 시작하려고 하는데, 선형대수학 같이 공부하고 싶으신 분들 함께해요!

* 선형대수 개념 공부 및 손으로 문제 풀어보고, 파이썬 이용해서 문제들 풀 예정입니다!

- 일시: 매주 수요일 저녁

(2월 18일 수요일 첫 수업 예상)

- 장소: 홍대 스터디룸

- 교재: 자체 교재

* 20차시 커리큘럼이고, 아래 참고하세요!

* 이전에 공부해둔 자료 프린트해서 드릴 예정입니다!

- 비용: 스터디룸 비용 1/n

링크: https://forms.gle/QUnvvbM5wBTc4m4j7

🍳커리큘럼

1차시: 선형대수와 코딩의 관계

- 선형대수는 왜 필요한가

- 벡터/행렬이 코드에서 어떤 의미인지

- 스칼라 vs 벡터 vs 행렬

- NumPy 기본 구조

2차시: 벡터(Vector)

- 벡터의 의미

- 벡터 덧셈, 스칼라 곱

- 벡터의 길이(norm)

- 코드로 벡터 연산 구현

3차시: 내적(Dot Product)

- 내적의 의미 (유사도, 투영)

- 코사인 유사도

- ML에서의 활용 (추천 시스템)

- np.dot, @ 연산자

4차시: 행렬(Matrix)

- 행렬의 의미 (데이터 테이블)

- 행렬의 덧셈, 곱셈

- 차원(dimension) 이해

- 브로드캐스팅 개념

5차시: 행렬 곱(Matrix Multiplication)

- 행렬 곱의 직관

- 연산 순서 중요성

- 코드에서의 행렬 곱

- 실수하기 쉬운 차원 오류

6차시: 선형 변환(Linear Transformation)

- “행렬 = 변환”

- 이동, 확대, 회전

- 2D 좌표 변환 예제

7차시: 단위행렬 & 역행렬

- 단위행렬의 의미

- 역행렬의 직관

- 연립방정식 풀이

- np.linalg.inv

8차시: 연립방정식과 행렬

- Ax = b 형태

- 직접 풀이 vs 라이브러리

- 수치적 안정성 개념

9차시: 행렬식(Determinant)

- 행렬식의 의미

- 0이면 무슨 뜻인가?

- 역행렬과의 관계

- 계산보다는 해석 중심

10차시: 랭크(Rank)

- 랭크의 의미

- 정보량 관점에서 이해

- 중복 데이터 감지

- np.linalg.matrix_rank

11차시: 고유값 & 고유벡터 (직관)

- 고유값, 고유벡터의 의미

- 시각적 설명

12차시: 고유값 분해(Eigendecomposition)

- 행렬의 구조 파악

- 시스템 안정성

- np.linalg.eig

13차시: 직교 & 정규직교

- 직교 벡터의 의미

- 정규화(normalization)

- 머신러닝 전처리

14차시: 정사영(Projection)

- 벡터를 다른 공간에 투영

- 최소제곱법 개념

- 회귀분석과 연결

15차시: 최소제곱법(Least Squares)

- 오차 최소화

- 선형 회귀의 수학적 원리

- 코드로 직접 구현

16차시: SVD (특이값 분해)

- 가장 중요한 분해 기법

- 차원 축소의 핵심

- np.linalg.svd

17차시: PCA (주성분 분석)

- 데이터 압축

- 시각화

- ML 파이프라인에서의 위치

18차시: 수치 계산 이슈

- 부동소수점 오차

- 역행렬을 피해야 하는 이유

- 안정적인 계산 방법

19차시: 선형대수와 딥러닝

- 신경망 = 행렬 곱의 연속

- 가중치, 입력, 출력의 의미

- 역전파와 선형대수의 연결

20차시: 종합 프로젝트

- 작은 데이터셋 분석

- PCA + 회귀 모델

- 코드로 전체 흐름 정리

- “선형대수 → 문제 해결” 체감