1520
2017-04-26 14:55:55
0
D=∫ dD 해서 그림에서 미소 부분이 저 지점에 주는 전기장을 계산한 후, dρ, dφ에 대해서 적분하면 되는데요. 기본적으로 E는 벡터지만 원형이니까 x,y 성분은 다 캔슬되어서 z 방향 성분만 적분해주면 됩니다.
전기장의 z 성분은 sin θ 꼴로 구하는데 θ가 ρ의 함수로 나올 겁니다.
전기장의 z 성분은 sin θ 꼴로 구하는데 θ가 ρ의 함수로 나올 겁니다.
1519
2017-04-26 14:49:45
0
이친구는 근데 사진이나 영상마다 달리 보여요. 이 사진은 진짜 예쁘게 나오긴 했네요. 데뷔 초기에 회자될 때는 사실 잘 공감이 안 갔었는데ㅋㅋ
1516
2017-04-24 15:15:46
0
실제로 올 수 있는 조합의 수는 252개네요 ㅋㅋㅋ 물론 독립적이니 모든걸 다 모으기 위한 기대값은 25 장입니다만 ㅋㅋ
1515
2017-04-24 06:53:21
0
(1) 위의 식은 모두 어떤 양을 재는 경우에만 성립합니다. 온도의 경우 0도가 온도가 없는 것이 아니고, 30도가 온도가 많은 것이 아니라, 열에너지와 비례하는 어떤 척도지요. 그래서 위의 식을 사용할 수 없습니다.
자유에너지의 경우 본문의 "곱하기 1을 활용한 단위변환" 이 가능합니다.
(2) kg 이 곱해졌다기 보다는, 1kg 이 모든 질량으로 이루어진 1차원 벡터공간의 원소이며, 2kg = 2 * 1kg 으로 본다면 이 무게벡터에 스칼라곱을 한 것이지요. 2 * kg 으로 보는 것은 사실 그렇게 적절하지 않습니다만, "질량 벡터공간" 의 basis 를 kg 으로 적용하고 본문의 방법을 기저변환으로 생각해볼 수도 있습니다.
자유에너지의 경우 본문의 "곱하기 1을 활용한 단위변환" 이 가능합니다.
(2) kg 이 곱해졌다기 보다는, 1kg 이 모든 질량으로 이루어진 1차원 벡터공간의 원소이며, 2kg = 2 * 1kg 으로 본다면 이 무게벡터에 스칼라곱을 한 것이지요. 2 * kg 으로 보는 것은 사실 그렇게 적절하지 않습니다만, "질량 벡터공간" 의 basis 를 kg 으로 적용하고 본문의 방법을 기저변환으로 생각해볼 수도 있습니다.
1514
2017-04-23 12:07:08
1
무게 oz 와 fl oz 를 둘다 온즈라고 읽는 것도 더러움 ㅂㄷㅂㄷ
1513
2017-04-23 06:48:27
0
뭐.. 결론적으로는 기계가 인간을 이기는 것은 간단하지만, AI는 아닐 거라고 생각합니다.
일단 문제를 정의해봅시다. 기계로 양궁 경기를 하는 것은 인간에 가까운, 시각정보와 촉각을 대신할 몇개의 풍압센서, 온습도 정도를 바탕으로 조준에 필요한 각도와 활시위를 당기는 힘을 추론하는 문제가 됩니다. 인간에 비해 기계가 유리한 점은, 일단 각도와 힘을 계산하고 나면 절대 실수하지 않는다는 점이 있겠군요. 즉 계산만 정확히 해낸다면, 인간은 절대 기계를 이길 수 없을겁니다.
여기서 알파고 류의 AI 를 사용하게 되면 그냥 모든 센서 인풋을 때려박고 머신러닝을 돌리겠다는 것인데, 불가능할 것은 없겠다 싶지만, 문제는 트레이닝이 엄청 힘들겁니다.
머신 러닝의 힘은 데이터의 양에서 옵니다. 예를들어 알파고는 수억회 이상의 경기를 순식간에 진행할 수 있죠. 그러나 위의 양궁 문제의 경우, 시뮬레이션이 거의 불가능하며, 실제 필드에서 진행한다면 시간 제약 상 데이터가 부족해 제대로 트레이닝이 되지 않을 것입니다. 특히, 인간의 배움은 기존에 갖고있던 지식을 바탕으로 추론을 할 수 있기 때문에 매우 빠르게 배울 수 있는 반면, 머신러닝은 그렇지 않기 때문에 압도적으로 많은 트레이닝을 필요로 합니다. 즉 AI는, 획기적인 발전이 있지 않는 한 현재 수준에서는 적용하기 어렵습니다.
다만, 저라면 시각정보를 현 위치를 정확히 특정하는 데에다가 몰빵해버린 다음 Model-Based Parameter Estimation을 쓰겠습니다. 이는 AI라고 볼 수 없는 방법입니다만, 아마 연구원 몇명 달라붙고 예산 따서 한 일년쯤 프로젝트 하면 전 세계 양궁선수 떡바를 기계쯤은 간단히 만들 것 같네요. 아무도 돈을 후원하지 않을 거라서 문제지만요.
일단 문제를 정의해봅시다. 기계로 양궁 경기를 하는 것은 인간에 가까운, 시각정보와 촉각을 대신할 몇개의 풍압센서, 온습도 정도를 바탕으로 조준에 필요한 각도와 활시위를 당기는 힘을 추론하는 문제가 됩니다. 인간에 비해 기계가 유리한 점은, 일단 각도와 힘을 계산하고 나면 절대 실수하지 않는다는 점이 있겠군요. 즉 계산만 정확히 해낸다면, 인간은 절대 기계를 이길 수 없을겁니다.
여기서 알파고 류의 AI 를 사용하게 되면 그냥 모든 센서 인풋을 때려박고 머신러닝을 돌리겠다는 것인데, 불가능할 것은 없겠다 싶지만, 문제는 트레이닝이 엄청 힘들겁니다.
머신 러닝의 힘은 데이터의 양에서 옵니다. 예를들어 알파고는 수억회 이상의 경기를 순식간에 진행할 수 있죠. 그러나 위의 양궁 문제의 경우, 시뮬레이션이 거의 불가능하며, 실제 필드에서 진행한다면 시간 제약 상 데이터가 부족해 제대로 트레이닝이 되지 않을 것입니다. 특히, 인간의 배움은 기존에 갖고있던 지식을 바탕으로 추론을 할 수 있기 때문에 매우 빠르게 배울 수 있는 반면, 머신러닝은 그렇지 않기 때문에 압도적으로 많은 트레이닝을 필요로 합니다. 즉 AI는, 획기적인 발전이 있지 않는 한 현재 수준에서는 적용하기 어렵습니다.
다만, 저라면 시각정보를 현 위치를 정확히 특정하는 데에다가 몰빵해버린 다음 Model-Based Parameter Estimation을 쓰겠습니다. 이는 AI라고 볼 수 없는 방법입니다만, 아마 연구원 몇명 달라붙고 예산 따서 한 일년쯤 프로젝트 하면 전 세계 양궁선수 떡바를 기계쯤은 간단히 만들 것 같네요. 아무도 돈을 후원하지 않을 거라서 문제지만요.
1512
2017-04-22 15:13:45
0
여기서 댓글놀이 하는 사람들은 이제 대충 다 알 것 같습니다... 모르면 공부할 인간들이라서 ㅋㅋㅋ
1511
2017-04-22 03:52:56
0
결국 문제의 핵심적인 키는 a^4 -6a^3-15a^2-8a = a(a-8)(a+1)^2 를 끌어내는건데요, 사실 저같은 경우는 일단 a는 밖으로 빼버리고 남은 삼차식의 계수들을 쳐다보니 8+6 하고 15-1 이 둘다 14니까 a= -1 이 해가 된다는걸 알아서 쉽게 했습니다. 3차 이상의 식을 인수분해를 수월하게 하는 방법은 몇가지 법칙들도 있지만 이런 직관도 꽤 유용합니다.
1510
2017-04-22 03:49:46
0
오타, 중간에 a-8 이 9가 되도록 이 아니고 a(a-8) 이 9가 되도록 입니다.
최종적으로 b 는 b = ((-a^2+3a) ± (a+1)√(a(a-8)))/4 이 됩니다.
최종적으로 b 는 b = ((-a^2+3a) ± (a+1)√(a(a-8)))/4 이 됩니다.