2026

• 15 / 08 NeRF — 장면 하나를 MLP 하나에 넣기
• 15 / 08 미분 가능 렌더링 — 사진에서 장면으로 기울기를 되돌리기
• 15 / 08 구면 조화 함수 — 방향에 따라 달라지는 색을 몇 개의 숫자로
• 15 / 08 알파 블렌딩과 볼륨 렌더링 — 사실은 같은 식이다
• 15 / 08 래스터화 — 3차원을 화면에 칠하는 가장 빠른 방법
• 15 / 08 MVS — 희소한 점군을 표면으로 만드는 고전적인 방법
• 15 / 08 SfM 파이프라인 — 순서 없는 사진 더미에서 카메라와 점을 세우기
• 15 / 08 SGD에서 Adam까지 — 기울기를 얻은 다음의 문제
• 15 / 08 MLP와 역전파 — 신경망이 함수를 배우는 방법
• 11 / 08 SLAM의 프론트엔드와 백엔드 — 실시간이라는 제약이 구조를 만든다
• 11 / 08 삼각측량과 번들 조정 — 점을 되살리고, 전부 함께 다듬는다
• 11 / 08 에피폴라 기하 — 두 장의 사진이 서로에게 거는 단 하나의 제약
• 11 / 08 다중 시점 기하를 읽기 위한 최소한의 수학 — 동차좌표·랭크·자유도·SVD
• 11 / 08 3D Gaussian Splatting 간단 정리 — 장면을 수백만 개의 타원으로 그리기
• 04 / 07 VAR — 서로를 예측하는 여러 시계열
• 13 / 06 동적 계획법(DP): 같은 문제를 두 번 풀지 않는 기술
• 29 / 05 베이지안 추론 5 — 모델이 모른다고 말할 수 있을 때
• 29 / 05 베이지안 추론 4 — MCMC와 Variational Inference
• 29 / 05 베이지안 추론 3 — Inductive Bias와 Prior는 같은 말이다
• 29 / 05 베이지안 추론 2 — 사전분포는 편견인가 지식인가
• 29 / 05 베이지안 추론 1 — 믿음을 갱신하는 기계
• 27 / 05 베이지안 회귀와 MAP: L1·L2 규제는 왜 사전 분포인가
• 27 / 05 L1·L2 규제: Lasso와 Ridge의 원리부터 실전까지
• 23 / 05 ARCH·GARCH — 분산이 움직이는 시계열의 변동성 모델링
• 18 / 05 Prophet — 예시·비교·앙상블·실전 전략 (2부)
• 17 / 05 Prophet — 회귀 분해로 추세·계절성·이벤트를 한 번에 (1부)
• 08 / 05 지수평활부터 ETS까지 — 단변량 시계열의 또 다른 표준
• 05 / 05 Air Passengers로 SARIMA 끝까지 가기 — 진단부터 예측까지
• 04 / 05 AR, MA, ARMA, ARIMA, SARIMA — 고전 시계열 모형 한 바퀴
• 03 / 05 시계열 분석 입문: Stationary vs Non-Stationary
• 02 / 05 데이터 뒤에는 모수가 있다 — 모수 추정의 발상부터 시계열까지