22개정 인공지능 수학 · Unit 3 · 이미지를 행렬로 다루는 방법
특징 거리로 이미지 분류하기
모든 픽셀을 그대로 비교하기보다 분류에 도움이 되는 특징을 골라 낮은 차원의 벡터로 표현할 수 있습니다.
특징 벡터
평균 밝기, 대칭 정도, 경계의 양처럼 문제에 맞는 측정값을 한 벡터에 모읍니다.
\[\mathbf{x}=(x_1,x_2,\ldots,x_m)\]
가장 가까운 대표
입력 특징과 각 범주의 대표점 사이의 거리를 계산해 가장 가까운 범주를 선택합니다.
\[\hat{c}=\operatorname*{argmin}_c\lVert\mathbf{x}-\boldsymbol{\mu}_c\rVert\]
좋은 특징
같은 범주 안에서는 비슷하고 다른 범주 사이에서는 차이가 크게 나타나는 특징이 분류에 유리합니다.
\[\text{within-class distance}\downarrow,\quad\text{between-class distance}\uparrow\]
학습 원칙
계산 결과만 제시하지 않고 사용한 데이터, 수학적 가정, 평가 기준과 적용 한계를 함께 설명합니다. 개인정보와 편향 가능성을 확인하고 인공지능의 출력을 확정된 사실로 해석하지 않습니다.
교육과정 구성 근거
국가교육과정정보센터의 2022 개정 교육과정, 한국과학창의재단 수학과 교육과정 개발 연구, 부산광역시교육청 고교학점제 과목 안내를 과목 성격과 내용 범위 확인에 참고했습니다. 단원 구성, 강의명, 설명과 예시는 이 사이트의 학습 흐름에 맞게 독립적으로 작성했습니다.
Checkpoint
입력 \(x=4\), 두 범주의 대표값 \(\mu_A=2,\mu_B=7\)이 주어질 때 절댓값 거리를 이용해 범주를 예측하세요.