미니의 프로그래밍 이야기

2013년 제 2회 클라우드 & OSS 컨퍼런스

미니~ — Wed, 22 May 2013 08:27:00 +0900

제2회 클라우드 & OSS 컨퍼런스가 5월 29일(수) 열립니다.

국내외 클라우드 서비스와 현황을 확인할 수 있는 자리가 될 것 같은데요.

MS, Redhat, Tgrape 등이 참여해서 행사를 진행하게 됩니다.

일시: 2013년 5월 29일(수) 13:30 ~ 18:00

장소: 호텔리베라 3층 베르사이유 그랜드볼륨 (서울 강남구 청담동 위치)

대상: 클라우드 컴퓨팅 유관 공공, 기업 고객 및 개발자

참가비: 사전등록 - 무료, 현장등록 - 2만원

Mobile Analytics Platform "Fingra.ph"라는 주제로 저도 발표를 하고 전시 부스도 운영합니다.

발표에서는 클라우드 기반의 서비스로서의 모바일 분석에 대해서 이야기를 하려고 합니다.

참가신청은 http://onoffmix.com/event/15553에서 무료로 할 수 있습니다.

많은 참여와 관심 부탁드립니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 세미나' 카테고리의 다른 글

2013년 제 2회 클라우드 & OSS 컨퍼런스 (0)	08:27:00
제7회 공개SW개발자대회 안내~ (0)	2013/05/20
China Mobile Global Developer Conference 2012 ~ (0)	2012/12/10
[세미나] CTO 클라우드 컴퓨팅 (0)	2012/05/29
[세미나] 아이디테일과 함께하는 오픈소셜 세미나 (2)	2008/03/24
[세미나] JCO와 함께 하는 Red Hat Developer Day 2007 (1)	2007/12/14

제7회 공개SW개발자대회 안내~

미니~ — Mon, 20 May 2013 18:19:38 +0900

예전에 공개 소프트웨어 하면 리눅스를 가장 먼저 떠올렸었는데요.

최근 스마트폰의 등장과 함께 안드로이드나 빅데이터 세계에서의 하둡이 나타나면서 오픈소스에 대한 관심도 높아지는 것 같습니다.

국내에서도 7번째를 맞는 공개SW 개발자 대회(http://project.oss.kr/)가 시작되었습니다.

이와 관련하여 지난 5월 16일 공개SW 개발자 대회 그랜드 오프닝 세미나가 열렸었습니다.

"오픈 소스를 활용한 Big Data & Analytics"라는 주제로 저도 발표를 했었는데요.

Big Data와 Analytics의 개념과 오픈소스 하둡(Hadoop)에 대한 기본적인 내용을 설명했고,

현재 제가 수행하고 있는 모바일 분석 플랫폼인 Fingra.ph를 소개하면서 Big Data 분석이 실제로 어떻게 사용되는지도 이야기 했네요. ^^

주로 개발자 분들이 참석한 것으로 알고 있는데, Big Data나 Analytics에도 많은 관심을 가지고 있다는 것을 느낄 수 있었습니다.

현재 공개SW개발자 대회는 참가 접수를 받고 있는데요.

일반 부문과 주니어 부문으로 나누어서 진행됩니다.

대회 기간: 2013년 5월 9일 ~ 12월 5일

참가접수기간: 2013년 5월 9일 ~ 7월 29일 (SW 개발 부문)

개발SW 접수 마감일: 2013년 10월 6일

많은 개발자 분들의 참여 바랍니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 세미나' 카테고리의 다른 글

2013년 제 2회 클라우드 & OSS 컨퍼런스 (0)	08:27:00
제7회 공개SW개발자대회 안내~ (0)	2013/05/20
China Mobile Global Developer Conference 2012 ~ (0)	2012/12/10
[세미나] CTO 클라우드 컴퓨팅 (0)	2012/05/29
[세미나] 아이디테일과 함께하는 오픈소셜 세미나 (2)	2008/03/24
[세미나] JCO와 함께 하는 Red Hat Developer Day 2007 (1)	2007/12/14

마케팅 불변의 법칙

미니~ — Mon, 20 May 2013 09:48:31 +0900

마케팅 불변의 법칙 -
알 리스, 잭 트라우트 지음, 이수정 옮김, 정지혜 감수/비즈니스맵

1993년 출간된 책이라고 하는데요. 지금 읽어봐도 좋은 마케팅 전략이라고 생각합니다.

물론 개인적으로 전부 다 동의하는 것은 아니지만

알 리스와 잭 트라우트가 이야기하는 22가지 마케팅 불변의 법칙을 정리해 보도록 하겠습니다.

사례들은 책을 한번 읽어보시기 바랍니다.

1. 리더십의 법칙 (Leadership)

더 좋기 보다는 최초가 되는 편이 낫다.

자기 회사가 더 좋은 제품이나 서비스를 갖고 있다는 사실을 소비자에게 확신시키는 것이 마케팅의 기본이라고 생각하는 사람들이 너무 많다.

그러나 마케팅의 기본은 바로 최초가 될 수 있는 영역을 만들어내는 것이다.

지금과 같은 레드오션 환경에서는 성공한 제품과 유사한 미투(me-too) 제품이 이윤을 낳는 성공적인 브랜드가 될 가능성은 매우 희박하다.

어떤 영역에서든 시장을 주도하고 있는 리더 브랜드는 소비자의 마음속에 가장 먼저 자리 잡고 들어간 브랜드라는 것을 기억해야 한다.

그러므로 새로운 영역에 자사 브랜드를 최초로 소개할 생각이라면 보통명사처럼 사용되기에 적합한 브랜드명을 선택할 필요가 있다.

2. 카테고리의 법칙 (Category)

어느 영역에서 최초가 될 수 없다면, 최초가 될 수 있는 새로운 영역을 개척하라

새로운 제품을 출시할 때 "이 신제품은 경쟁사의 제품보다 어떤 점이 더 좋은가?"가 아니라

"어떤 점에서 최초인가"를 가장 먼저 자문해 봐야 한다.

'어떻게 하면 사람들이 우리 브랜드를 더 좋아하게 만들 것인가?'하는 브랜드는 잊어 버리고, 대신 영역을 생각해야 한다.

사람들은 "무엇이 새로운가?""에 관심을 갖는다. 그러나 "무엇이 더 좋은가?"에는 별 관심을 보이지 않는다.

3. 기억의 법칙 (Mind)

시장에서 최초가 되기보다는 기억 속에서 최초가 되는 편이 낫다.

기억속에서 최초가 되는 것, 이는 마케팅의 "전부"라고 해도 과언이 아니다.

시장에서 최초가 되는 것의 중요성은 기억 속에서도 최초가 된다는 전제 하에 그 진가를 발휘한다.

마케팅이 제품의 전쟁이 아니라 인식의 전쟁이라면, 소비자의 기억은 당연히 시장에 우선한다.

마케팅 과정에서 빚어지는 모든 문제의 답이 '돈'이라는 인식이 조장되고 있다.

돈은 해답이 아니다.

그럼에도 다른 어떤 인간 활동보다 마케팅에 많은 돈이 낭비되고있다.

사람들의 기억 속에 들어 있는 무언가를 바꾸고 싶은가?

포기하는게 좋다.

일단 기억이 만들어지면 바뀌는 일은 거의 없다.

마케팅 노력 중에서 가장 무모한 것이 소비자의 기억을 바꾸려는 시도다.

4. 인식의 법칙 (Perception)

마케팅은 제품의 싸움이 아니라 인식의 싸움이다.

객관적인 현실이란 존재하지 않는다. 사실 따위도 없다. 최고의 제품 역시 없다.

마케팅 세상에는 소비자나 소비자의 기억 속에 자리 잡는 '인식'만이 존재할 뿐이다.

그 외 다른 모든 것은 환상이다.

마케팅은 이런 '인식'을 다루는 기술이다.

'진실'이란 어떤 전문가의 인식, 그 이상도 이하도 아니다.

여기서 '전문가' 조차도 다른 사람의 마음속에서 전문가로 '인식된' 어떤 사람에 불과하다.

즉, 마케팅은 이런 인식을 다루는 일련의 과정이다.

5. 집중의 법칙 (Focus)

마케팅에서 가장 강력한 개념은 소비자의 기억 속에 하나의 단어를 심고 그것을 소유하는 것이다.

어떤 회사든 소비자의 기억 속에 단어 하나를 심고 그것을 소유할 방법을 찾아낸다면 대대적인 성공을 거둘 수 있다.

만일 리더가 아니라면 당신의 단어는 범위를 좁혀 초점을 맞춘 것이라야 한다.

그러나 그 단어가 해당 영역에서 이용 가능한 것이어야 한다는 사실이 더 중요하다.

영역 밖의 회사들은 그 단에에 대한 통제권을 가질 수 없다.

가장 효과적인 단어는 단순하고 효용 지향적인 단어다.

제품 속성이나 시장의 요구가 아무리 복잡해도 둘 이상의 단어나 효용보다는 하나의 단어, 하나의 효용에 초점을 맞추는 것이 효과적이다.

많은 회사들이 하나의 단어, 하나의 개념을 소유함으로써 얻는 이득을 잘 알고 있으면서도 정작 그 단어를 선점해 최초가 되려는 노력은 하지 않고 있다.

마케팅의 핵심은 초점을 좁히는 것이다.

활동 반경을 줄이면 당신은 더욱 강해질 수 있다.

6. 독점의 법칙 (Exclusivity)

소비자의 마음속에 심은 단어를 두 회사가 동시에 소유할 수는 없다.

경쟁자가 소비자의 마음속에 이미 심어놓은 단어나 지위를 같이 소유하겠다고 시도하는 것은 아무런 득이 되지 않는다.

일반적인 시장조사 전문기관에서 당신에게 말해주지 않은 게 있다.

바로 다른 회사가 이미 그 아이디어를 소유하고 있다는 사실이다.

그러면서 대대적인 마케팅 프로그램에 착수하라며 고객인 당신의 등을 떠민다.

충분한 돈을 투입하면 그 아이디어를 소유할 수 있는가? 맞지 않다.

7. 사다리의 법칙 (Ladder)

사다리의 어떤 디딤대를 차지하고 있느냐에 따라 구사할 전략은 달라진다.

소비자에게 모든 제품이 '평등하게' 다가가지는 않는다.

소비자의 마음속에는 구매 결정을 할 때 사용하는 서열등급이라는 것이 있다.

사람들이 거의 매일 사용하는 제품은 사다리에 디딤대가 많다.

반면 구매빈도가 낮은 제품은 사다리에 디딤대가 별로 많지 않다.

당신의 시장점유율은 당신의 아래 디딤대에 있는 브랜드의 두 배, 위에 있는 브랜드의 절반 정도일 가능성이 크다.

어떤 마케팅 프로그램이든 시작하기 전에 스스로 질문을 던져보라.

우리는 소비자의 마음속 사다리, 그 어디쯤에 올라 있는가?

첫 번째 디딤대인가? 두 번째 디딤대인가? 혹시 사다리에 올라서지도 못한 상태는 아닌가?

8. 이원성의 법칙 (Duality)

장기적으로 볼 때, 모든 시장은 두 마리 말이 달리는 경주다.

1969년 당시, 어떤 제품을 놓고 세 개의 주요 브랜드가 존재하고 있었다.

리더 브랜드는 시장의 60퍼센트를, 2위 브랜드는 25퍼센트를, 3위 브랜드는 6퍼센트의 점유율을 차지했고, 나머지는 군소 브랜드들이 나눠갖고 있었다.

이원성의 법칙은 이런 시장 점유율 형태가 불안정한 것임을 제언한다.

나아가 리더 브랜드가 시장 점유율을 잃고 2위 브랜드가 그 시장을 차지하게 되리라는 것을 예견한다.

만약 당신이 입지가 불안한 3위 자리에 있다면, 총력을 몰아 막강한 두 리더 브랜드를 공격해 봤자 별 진전이 없을 것이다.

3위 브랜드는 자기만의 수익성 있는 틈새시장을 개발해 내는 것이 좋았을 것이다.

경쟁이 치열해지고 있는 전 세계 시장에서는 1, 2위 회사들만이 승리할 수 있었다.

그 외의 회사들은 제자리 걸음을 면치 못하거나, 문을 닫거나, 매각되었다.

시간이 지나면 고객들은 아는 게 많아진다.

그리고 고객들은 마케팅이 제품의 싸움이라 믿고 있다.

이런 생각이 사다리 꼭대기에 계속해서 두 개의 브랜드를 올려놓게 만든다.

"이 브랜드가 최고로 좋은 게 분명해. 그들은 리더니까."

9. 반대의 법칙 (Opposite)

당신의 2위 자리를 겨냥하고 있다면, 당신의 전략은 리더 브랜드에 의해 정해진다.

당신보다 앞서 있는 기업을 주도면밀하게 살펴보라.

그 회사의 강점은? 그 힘을 약점으로 바꿔놓을 방법은?

그러기 위해서는 리더의 핵심을 포착해 소비자에게 그 반대의 것을 제시해야 한다.

다시말해 더 좋아지려 하지 말고 달라지려 노력하라는 뜻이다.

너무나도 많은 2위 후보 브랜드들이 리더를 모방하려고만 하고 있다.

대개의 경우 이는 실패로 끝난다.

당신은 자신을 '리더의 대안'으로 제시해야 한다.

10. 분할의 법칙 (Division)

시간이 지나면서 영역은 나뉘어 둘 또는 그 이상이 된다.

하나의 영역은 하나의 제품으로 시작된다.

그리고 시간이 지나면서 하나이던 영역이 갈라져 세분화를 이룬다.

그러나 이런 '분할'의 개념을 파악하지 못하고, 영역은 통괄적이라는 안일한 신념을 갖고 있는 경영자들이 너무나도 많다.

시기 역시 중요하다.

새로운 영역의 기회를 이용하는데 너무 조급히 굴어서는 안 된다.

늦는 것보다는 이른 편이 좋다.

그러나 여건이 만들어 질 때까지 일정 시간을 들여 기다릴 각오가 안 되어 있다면 소비자의 마음속에 최초로 들어가 앉을 수 없다.

11. 조망의 법칙 (Perspective)

마케팅 효과는 오랜 시간에 걸쳐 발효된다.

쿠폰, 할인, 세일이라는 이름의 어떤 형태든 이러한 마케팅 방식은 저렴하게 살 수 있을 때만 물건을 사라고 고객을 가르치는 격이다.

'단기적으로는 이익, 장기적으로는 손실'인 예가 많다.

라인 확장의 예를 보면, 단기적으로 볼 때, 라인 확장은 판매량의 증대를 보장한다.

장기적 효과는 끔찍했다.

장기적으로 자신이 추구하는 바를 알지 못하면 라인 확장의 효과를 기대하기 힘들다.

12. 라인 확장의 법칙 (Extension)

회사 내부에는 브랜드의 자산을 확장시키려는 거역하기 힘든 압력이 존재한다.

일반적으로 기업들은 처음에는 수익성이 아주 높은 하나의 제품에 단단히 초점을 맞춘다.

그러다 다음 순간, 그 단단하던 집중력이 여러 제품으로 분산되고 회사는 손해를 입는다.

모든 사람에게 모든 소용이 되어주려 하다 보면 문제에 봉착할 수밖에 없다.

모든 분야에서 약해지기보다는 어느 한 분야에서 강해지는 쪽을 택해야 한다.

장기적으로 경쟁 양상이 치열한 상황이라면 라인 확장이 효과를 거둘 가능성은 희박하다.

분명한 사실은 어떤 영역이건 리더 브랜드는 라인 확장을 시도하지 않는 브랜드다.

많을수록 적어진다.

제품이 많을수록, 시장이 많을수록, 기업 간 제휴가 더 많이 이루어질수록, 수익은 적어진다.

적을수록 많아진다.

오늘, 성공을 거두고 싶다면 당신은 소비자의 마음속 한 자리를 겨냥해 그곳으로 초점을 좁혀야 한다.

신규 브랜드가 성공을 거두려면 새로운 영역에서 최초가 되어야 한다.

아니면 신규 브랜드는 리더 브랜드의 대안으로 인식되어야 한다.

13. 희생의 법칙 (Sacrifice)

무언가를 얻기 위해서는 무언가를 포기해야 한다.

성공하고 싶다면 당신은 무언가를 포기해야 한다.

제품 라인, 표적 시장, 부단한 변화가 그것이다.

제품라인: 도대체 파는 물건의 종류가 많을수록 더 많이 팔 수 있다는 이론은 어디어 적혀 있는 원칙인가?

마케팅은 정신적인 전투가 치러지는 게임이다.

제품이나 서비스가 아니라 인식의 싸움이기 때문이다.

비즈니스 세계에는 크고 다양화된 '만능가'와 작고 집중화된 '전문가'가 있다.

현실에서는 만능가들 대부분은 어려움에 봉착해 있으며, 소매 분야에서 큰 성공을 거둔 대개의 경우 '전문가'들이었다.

표적시장: 모든 사람들에게 좋은 인상을 남겨야 한다는 생각은 또 어디에 적혀 있는 원칙인가?

표적은 해당 시장이 아니다.

다시 말해 마케팅에서는 외견상 표적이 반드시 해당 제품의 실구매자일 필요는 없다.

부단한 변화: 도대체 매년 예결산 때마다 마케팅 전략을 바꿔야 한다는 생각은 어디에 적혀 있는 원칙인가?

시장에 이런 저런 변동이 생길 때마다 무조건 따라가려고 기를 쓰다 보면 궤도 이탈을 할 수 밖에 없다.

자기 위치를 꾸준히 유지해갈 수 있는 가장 좋은 방법은 처음부터 그 위치를 바꾸지 않는 것이다.

무언가를 희생한 사람들에게는 복이 찾아오기 마련이다.

14. 속성의 법칙 (Attributes)

어떤 속성이든 반대되면서 효과적인 또 다른 속성이 존재하기 마련이다.

리더에 맞설 수 있게 만들어주는 반대의 속성을 찾아보는 것은 중요하다.

이 때 집중해야 할 단어는 "반대의"이다. "비슷한"은 전혀 소용없다.

마케팅은 치열한 아이디어의 싸움이다.

그러니 성공하고 싶다면, 노력을 집중할 자신만의 고유한 아이디어나 속성을 확보해야 한다.

그게 없다면 저렴한 가격이라도 내세울 수 있었야 한다.

그것도 아주 저렴해야 한다.

포착한 다른 속성의 가치를 극대화해서 시장 점유율을 높이는 게 당신이 해야 할 일이다.

15. 정직의 법칙 (Candor)

스스로 부정적인 면을 인정하면 소비자는 긍정적인 평가를 내려줄 것이다.

문제를 인정하는 데 있어 회사와 인간의 본성은 정반대의 양상을 띤다.

소비자의 마음속에 들어가는 가장 효과적인 방법 중 하나가 먼저 '부정'을 인정하고,

그 다음에 '긍정'으로 바꾸는 것이라 하면 의외일 수밖에 없을 것이다.

마케팅 과정에서 약간의 정직성이 큰 효과를 낼 수 있는 이유는 무엇인가?

무엇보다, 정직은 상대방의 경계심을 무장해제시킨다는 점을 간과해서는 안 된다.

긍정적인 발언의 경우는 소비자들이 인정해줄 때까지 그 진실성을 입증해 보여야 한다.

그러나 부정적인 발언에는 그런 수고가 필요 없다.

당연히 그들이 진실로 받아들일테니 말이다.

커뮤니케이션의 비약적 성장 현상이 나타나고 있는 현대 사회에서,

사람들은 자신에게 무언가를 팔아먹으려 기를 쓰는 회사에 대해 방어본능과 경계심을 키워왔다.

소비자에게 솔직하게 자신들의 문제점을 인정하려 드는 회사가 거의 없기 때문이다.

정직의 법칙은 아주 신중하게, 그리고 아주 기술적으로 사용해야 한다.

먼저, 당신의 부정적인 면은 부정적인 것이라고 널리 인식되어 있어, 소비자의 마음속에서 즉각적인 동의를 얻어낼 수 있는 것이어야 한다.

그리고 부정을 인정한 다음에는 재빨리 '긍정'으로 돌려놓아야 한다.

'정직'의 목적은 사과하려는 게 아니다.

'정직'의 목적은 당신이 소비자를 설득할 '혜택'을 구축하려는 것이다.

16. 단일의 법칙 (Singularity)

어떤 상황에서든 하나의 단일 행동만이 실제적인 결과를 창출한다.

보다 열심히 노력하는 것이 마케팅 성공의 비결은 될 수 없다.

역사는 마케팅에서 오직 하나의, 대담한 공격만이 실효를 거둘 수 있다고 증언해준다.

나아가 주어진 상황이 어떠하든 오직 하나의 행동만이 실제적인 결과를 창출해준다고 말한다.

마케팅에서 대개의 경우, 경쟁자의 약점이 존재하는 곳은 오직 한 군데다.

바로 그곳이 돌격대의 전력을 집중시켜야 할 목표지점이다.

하나의 단일 아이디어나 개념을 찾아내기 위해 마케팅 종사자들은 시장에서 무슨 일이 일어나고 있는지 잘 알고 있어야 한다.

싸움터의 진창 속, 그 최전선까지 내려가야 한다.

그래서 무엇이 힘을 발휘하고, 무엇이 힘을 발휘하지 못하는지 알아야만 한다.

깊이 개입되어야 한다.

17. 예측 불가의 법칙 (Unpredictability)

경쟁자의 계획을 예측하지 못하면, 미래를 예측할 수 없다.

훌륭한 단기 계획은 제품이나 회사를 차별화할 시각이나 단어를 고안하는 것이다.

그런 다음, 그 아이디어를 극대화할 프로그램을 입안하는 쪽으로 장기적 마케팅 방향을 결정한다.

이때 장기적 '계획'이 아니라, 장기적 '방향'이라는 사실이 중요하다.

예측 불가인 시장에 대응하는 최선의 방법은 무엇인가?

당신은 미래를 예측할 수는 없어도 트렌드를 이용할 수는 있다.

이는 '변화'를 적극적으로 활용하는 방법이다.

트렌드를 활용할 때 빠지기 쉬운 함정은 '추정'에 있다.

하나의 트렌드가 얼마나 오래갈지를 놓고 섣부른 결론을 내리는 회사들이 너무나도 많다.

트렌드를 추적하는 일이 예측 불가인 미래를 다룰 때 유용한 도구가 될 수 있는 데 반해,

시장조사는 도움보다는 문제를 일으킬 소지가 더 크다.

시장조사는 미래가 아니라 과거를 측정하는데 좋은 도구다.

새로운 아이디어와 개념들을 시장에서 측정한다는 것은 거의 불가능하다.

'변화'는 쉽지 않다.

그러나 예측 불가능한 미래를 다룰 수 있는 유일한 길이다.

미래를 예측하는 것과 미래의 기회를 포착하는 것 사이에는 엄연한 차이가 있다.

18. 성공의 법칙 (Success)

많은 경우 성공은 자만심을 낳고, 자만심은 실패를 낳는다.

자만심은 성공적인 마케팅의 적이다.

마케팅에 필요한 것은 객관성이다.

사람들은 성공하면 객관성을 잃는 경향이 있다.

하나의 브랜드가 성공을 거두면, 회사는 그 브랜드의 성공 이유는 무엇보다 '이름'에 있다고 생각한다.

그래서 그 즉시, 그 이름을 갖다 붙일 또 다른 제품을 찾아나선다.

그러나 현실은 그와 정반대다.

현명한 마케터는 소비자가 생각하는 방식으로 사고할 줄 아는 능력을 갖고 있다.

고객의 입장에 서서 볼 줄 안다.

결국 세상은 인식하기 나름이며 마케팅에서 중요한 것은 오직 고객의 인식뿐이다.

19. 실패의 법칙 (Failure)

실패는 예상되고 또 받아들여져야 한다.

너무나도 많은 회사들이 문제를 버리지 못하고 어떻게든 고치려고만 기를 쓴다.

회사 차원에서 나은 전략은 실패는 되도록 빨리 인정해서 손실을 줄이는 것이다.

실수를 저질렀을 때 빨리 인정하고, 조처하고, 전진을 도모해가야 한다.

월마트의 창립자인 샘 윌튼은 실패를 고무적으로 다루는 접근 방식을 가지고 있다고 한다.

준비(ready), 발사(fire), 조준(aim) 방식이다.

(톰 피터스가 주창한 이론으로 '준비, 조준, 발사'식 경영에서 탈피, 목표물에 조준하기 전에 먼저 발사해서 빗나간 정도를 파악한 다음

다시 정확하게 조준하는 것이 기업 경영에 더 효과적일 수 있다는 의미다.)

누군가가 무언가를 배우고 싶어 어떤 노력을 하고 있는 중이라면 그 노력은 보상을 받는다.

그러나 같은 실수를 두번 한 사람은 화를 입는다.

20. 과장의 법칙 (Hype)

상황은 언론에 나타난 것과 정반대인 경우가 많다.

상황이 잘 풀려갈 때 회사는 과장을 할 필요가 없다.

과장이 필요한 경우는 대부분 상황이 여의치 않을 때다.

언론에서는 성공적이었나 마케팅에서는 실패로 끝난 역사적 사례는 무궁무진하다.

신문의 제1면은 잊어라.

미래에 대한 단서를 찾고 싶다면 뒷면에 난 작고 시시해 보이는 기사들을 눈여겨보라.

21. 가속의 법칙 (Acceleration)

성공적인 마케팅 프로그램은 유행이 아닌 트렌드를 기반으로 한다.

유행이 바다에 이는 파도라면 트렌드는 조류다.

유행은 많은 과장이 더해지지만 트렌드는 거의 그런 경우가 없다.

유행은 눈에 잘 보이지만 상승과 하락의 속도가 매우 급하다.

트렌드는 눈으로는 잘 보이지 않지만 장기적으로 갖는 힘이 매우 크다.

현재 당신이 유행의 모든 특징을 만족시키며 급속히 성장하는 비즈니스에 관련되어 있다면, 당신이 할 수 있는 최선은 그 유행의 기세를 꺽어놓는 일이다.

기세를 꺽음으로써 당신은 그 유행을 더 길게 연장해 트렌드처럼 바꾸어놓을 수 있다.

마케팅에서 가장 훌륭하고, 가장 많은 수익을 올릴 수 있는 방법은 장기적 트렌드에 올라타는 것이다.

22. 재원의 법칙 (Resources)

충분한 자금 없이, 아이디어는 실행에 옮겨질 수 없다.

세상에서 최고로 훌륭한 아이디어도 그것을 실행시킬 돈이 충분히 뒷받침되지 못하면 멀리 가지 못한다.

진실, 그 자체로부터는 아무것도 시작될 수 없다.

마케팅은 소비자의 마음속에서 치러지는 전쟁이다.

그 마음속에 들어가려면 돈이 필요하다.

그리고 일단 들어간 다음에도 그 마음속에 머물기 위해 돈이 필요하다.

평범한 아이디어에 수백만 달러가 확보된 쪽이 훌륭한 아이디어만 확보된 경우보다 성공할 가능성이 더 크다.

돈이 뒷받침되지 못한 아이디어는 아무 가치가 없다.

마케팅에서 부유한 자가 더 부유해지는 이유는 소비자들의 마음속에 아이디어를 밀어 넣을 재원을 갖고 있기 때문이다.

먼저 아이디어를 확보하라. 그 다음에는 나가서 그 아이디어를 활용할 자금을 찾아보라.

성공적인 마케터일수록 투자분을 초기에 집중시킨다.

다시 말해 모든 수익을 마케팅에 재투자하면서 초기 2~3년은 새로운 수익을 바라지 않는다.

돈은 마케팅 세상을 돌아가게 만든다

오늘, 성공하고 싶다면 당신은 그 마케팅 바퀴를 굴려가는데 필요한 돈을 찾아내야 할 것이다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 도서' 카테고리의 다른 글

마케팅 불변의 법칙 (0)	2013/05/20
소크라테스의 변명 (0)	2013/04/26
소크라테스 이전 철학자들의 단편 선집 - 철학의 시작 (0)	2013/04/10
빅데이터가 만드는 비즈니스 미래지도 - 미래 경제를 움직이는 거대한 데이터 혁명 (0)	2013/02/22
미생 - 아직 살아 있지 못한 자 (0)	2013/02/05
질문의 힘 - 제대로 된 질문이 상대를 움직인다. (0)	2013/01/30

정보 이론 - Information Theory

미니~ — Mon, 13 May 2013 08:30:00 +0900

불확실성에 대한 일어날 가능성을 모델링하는 것이 Probability Theory라고 하고, 이런 불확실한 상황에서 추론에 근거해 결정을 내리는 것을 Decision Theory라 합니다.

그렇다면 Information Theory는 이러한 불확실성을 평가하는 것이라고 정의할 수 있습니다.

먼저 Information Theory에 대한 기본 개념을 쉽게 이해하기 위해서 aistudy.co.kr에 있는 예제를 기반으로 설명해 보도록 하죠..

다음과 같이 가로, 세로 4장씩의 카드가 놓였다고 할 때, 여러분이 한 장의 카드를 선택했다고 해 보죠.

다음과 같은 질문 과정을 거쳐서 선택한 카드를 맞출 수 있습니다.

상단에 있습니까?
예
그럼 상단의 오른쪽 반에 있습니까?
아닙니다.
그럼 왼쪽 반의 상단에 있습니까?
아닙니다.
그럼 왼쪽 반 하단의 오른쪽에 있습니까?
그렇습니다.
당신이 선택한 것은 크로바 3입니다.

여기에서 알 수 있는 사실은 16장의 카드가 있을 때, 선택한 카드를 맞힐 확률은 1/16입니다.

그리고 카드를 맞추기 위한 질문의 회수는 4회입니다.

즉, 이를 수치로 표시하면 다음과 같이 나타낼 수 있겠죠.

엔트로피 (Entropy)

어떤 확률변수의 불확실성을 측정하는 것을 바로 엔트로피라고 합니다.

엔트로피는 Claude Shannon이 이야기 한 것으로 정보량을 나타내는데요.

위 예에서 보면 4번의 질문으로 불확실성을 해결했으므로 엔트로피는 4라고 할 수 있습니다.

이러한 엔트로피 h(x)를 구하는 공식은 다음과 같습니다.

확률 p(x)에 log를 취하는 것은 바로 p(x)를 표시할 수 있는 자리 수(bit)를 나타낸다고 할 수 있습니다.

음수를 취하는 이유는 확률 p(x)가 1보다 작기 때문에 log를 취하면 음수가 됩니다.

그러므로 계산하기 편하도록 양수로 변경하기 위해 적용한 것이라고 보면 됩니다.

그렇다면 확률분포에 대한 기대값을 계산하는 방식으로 p(x)를 표시할 수 있는 공간을 나타내는 엔트로피를 계산해보면 다음과 같습니다.

어떤 랜덤 변수 x가 8가지의 상태가 동일한 확률로 발생한다고 할 때, 엔트로피는 다음과 같이 계산할 수 있습니다.

즉, 3bit의 데이터를 가지고 x가 발생할 확률을 모두 표현할 수 있다는 것입니다.

만약 8개가 발생할 확률이 동일하지 않다면 어떻게 될까요?

만약 8개의 확률이 다음과 같이 다양하다고 할 때, 엔트로피를 계산해 보도록 하죠.

이렇게 불균형한 분포를 보일 경우 엔트로피가 더 작아지는데, 우리가 예측해서 맞출 수 있는 확률이 더 높아졌기 때문에 정보의 양 즉 엔트로피가 더 작아진 것입니다.

반대로 생각하면 불확실성이 높아질 경우, 정보의 양은 더 많아지고 엔트로피는 더 커진다고 할 수 있습니다.

최대 엔트로피 계산

기계학습과 관련된 수학을 공부하다보면 최대 또는 최소값을 계산하는 것이 중요한 경우가 많습니다.

예전에 Maximum likelihood를 계산할 때, 미분해서 0이 되는 값으로 최대값을 구한다고 이야기했었습니다.

그런데 특정 condition이나 constraints에 종속되는 함수의 최대, 최소값을 찾는 것은 보다 어려운 면이 있습니다.

이럴 때, Lagrange Multipler를 사용해서 condition을 분명하게 해결하고 여분의 변수를 제거함으로써 이런 문제를 풀어 낼 수 있다고 합니다.

여기서는 확률의 총합이 1이라고 하는 Constraint가 있다고 보고 다음과 같이 최대값을 구할 수 있습니다.

우측에 있는 p(x)의 합에서 1을 뺀 값이 0이 되는 것이 확률의 기본 조건이므로

해당 부분을 Lagrange Multiplier로 표시한 것을 알 수 있습니다.

이제 이 수식을 두번 미분해서 원하는 최대 엔트로피를 구할 수 있다고 합니다.

앞서 설명했듯이 모든 확률이 똑같은 경우에 엔트로피는 최대가 되겠죠..

만약 연속확률분포에서의 엔트로피를 구한다면 다음과 같이 적분을 이용해서 구할 수 있겠죠.

한가지 재미있는 사실이 Lagrange Multiplier를 적용해서 위 수식에서 엔트로피를 최대로 만드는 확률 p(x)를 구해보면 다음과 같다고 합니다.

어디서 많이 본 수식 아닌가요?

바로 정규분포를 나타내는 Gaussian distribution과 동일한 것입니다.

상대적인 엔트로피 (Relative Entropy)

확률분포 p(x)를 모를 때, 모델링을 통해 q(x) 확률을 가정해서 사용할 수 있습니다.

이런 경우 가정한 q(x)의 정확성을 확인하기 위해 정보를 표현하는 공간의 차이를 계산해서 확인할 수 있습니다.

이것을 상대적 엔트로피 (Relative Entropy) 또는 Kullback-Leibler divergence라고 합니다.

여기서 Convex 함수에 대해서 살펴보도록 하죠.

Convex 함수는 아래 그림과 같은 형태로 a, b의 평균보다 f(a), f(b)의 평균이 더 큰 것을 의미합니다.

즉, Convex 함수는 다음과 같은 성격을 가지고 있다고 할 수 있습니다.

개별적인 a와 b의 평균보다 f(a)와 f(b)의 평균이 더 크다는 것을 나타내고 있습니다.

이와 반대의 함수를 Concave라고 합니다.

일반적으로 log함수는 Concave 형태를 나타내는데요.

엔트로피를 구하기 위해서는 - (음수)를 취했기 때문에 Concave가 Convex가 되므로 위 공식을 적용할 수 있게 됩니다.

위 공식을 기대값에 적용해 보면 다음과 같습니다.

이를 relative entropy에 적용하면 다음과 같다고 하네요.

마치면서

마지막으로 엔트로피를 이용한 Information Theory는 기계학습, 정보검색, 자연어 처리 등에서 많이 활용되고 있습니다.

예를 들어, 정보검색에서는 문서와 질의어를 확률변수로 모델링하고 이 모델간의 거리를 바탕으로 문서의 랭킹을 계산하는데,

이때 사용되는 척도가 정보이론에서 제공된다고 합니다.

또한 압축이나 연관성 분석에도 엔트로피의 활용이 높다고 하네요.

이상으로 엔트로피와 관련된 Information Theory에 대해서 정리했습니다.

추가적인 내용은 향후 필요할 때 더 정리하도록 하죠.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22
베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) (0)	2013/04/12
확률 밀도(Probability density)와 기대값(Expectation) (0)	2013/04/08

의사결정이론 - Decision Theory

미니~ — Mon, 06 May 2013 08:38:00 +0900

앞에서 확률이론과 Bayesian & Frequentist에 대해서 살펴봤습니다.

기계학습의 목표는 이러한 이론들을 활용해서 주어진 입력값 x에 대한 타겟인 t를 예측하는 것이었습니다.

불확실성에 직면해서 결정을 내려지 않으면 안될 경우, 어떤 결정을 해야 하고,

어떤 정보를 이용해야 하는지에 대해서 다루는 것이 바로 의사결정이론 (Decision Theory)입니다.

Decision Theory

병원에서 암을 진단하기 위해 X-ray 사진이 주어졌다고 생각해 봅시다.

X-ray 사진을 보고 암에 걸렸는지 아닌지 결정해야 할때, Decision Theory를 활용할 수 있습니다.

암일 경우를 클래스 1(C1)이라고 하고, 암이 아닌 경우를 클래스 2(C2)라고 할 때,

주어진 X-ray 사진(x)이 특정 클래스에 들어갈 확률은 베이즈 정리를 활용해서 다음과 같이 쓸 수 있습니다.

베이즈 확률에서 이야기 한 Posterior, Prior, Likelihood의 관계를 항상 생각하시기 바랍니다.

병원 예제에서는 X-ray 사진(x)이 잘못된 클래스로 할당되어 오진이 발생할 경우를 최소화해야 하므로,

상대적으로 높은 Posterior 확률을 가진 것을 선택해야 합니다.

이것이 바로 Decision Theory입니다.

오류(misclassification rate) 최소화

위의 X-ray 예제에서 오진할 확률은 환자가 암에 걸리지 않았는데 암에 걸린 것으로 진단하거나 반대의 경우라고 할 수 있습니다.

C1, C2 클래스로 진단했을때, 실제 영역을 R1, R2라고 하면 다음과 같이 오류가 발생할 확률을 구할 수 있습니다.

반대로 정확하게 결정할 확률은 주어진 x에 대해 R1, C1 / R2, C2가 일치하는 경우가 되겠죠.

여기에서도

가 되고, p(x)가 모든 요소에 대해 공통적인 요소이므로,

각각의 x가 가장 높은 Posterior 확률을 갖는 클래스에 할당된다는 것을 다시 한번 확인 할 수 있습니다.

기대손실(expected loss) 최소화

X-ray 사진으로 암여부를 잘 못 진단했을 경우를 생각해 보죠.

실제 암이었는데 정상이라고 오진한 경우가 그 반대보다 더 큰 실수가 될 것입니다.

이러한 상황에 따른 패널티 또는 가중치를 두고서 결정을 해보자는 것이 바로 기대손실 최소화 입니다.

즉, 잘못된 결정에 따른 피해를 가장 적게 하는 방향으로 결정을 해보자는 데서 출발한 것이지요.

이를 위해 다음과 같은 행렬(L)을 만들고 패널티를 부여합니다.

1000이 주어진 경우가, 실제 암(R1)인데 정상인 클래스(C2)에 할당한 것이 됩니다.

이것을 수식으로 나타내면 기존 확률에 위의 패널티를 곱해주게 됩니다.

rejection option

의사 결정이 어려운 상황일 때, 의사결정을 피하는 것이 적절한 경우가 있습니다.

한계점(threshold)을 지정해서 이러한 영역을 제외하는 것을 rejection option이라고 합니다.

다음 그림을 보면 reject region에 해당하는 영역에서는 클래스에 할당하는 결정을 하지 않는다는 것이죠.

추론과 의사결정

의사결정 이슈를 해결하기 위해 먼저 추론(inference)을 해야 하는데 다음과 같은 접근법이 있습니다.

1. 베이즈 정리 활용

앞에서 설명한대로, 주어진 x에 대해 어느 클래스에 할당될 확률이 높은지 계산하면 의사결정을 할 수 있게 됩니다.

즉, Posterior를 계산하는 것이 Decision Theory에서 중요한 부분이 되는 것이죠.

이것을 베이즈 정리를 통해서 계산해 낼 수 있습니다.

2. Posterior를 직접 계산

두번째 방식으로는 Posterior를 베이즈 정리를 활용하지 않고 직접 계산하는 것입니다.

를 바로 계산해서 주어진 x가 어느 클래스에 들어갈지를 결정하는 것이죠.

3. 판별식 함수(discriminant function) 활용

마지막으로 확률을 이용하지 않고, 특정 함수를 이용해서 결정하는 방식입니다.

discriminant function이라고 하는 f(x)가 있을 때,

f = 0이면 클래스 1로 결정하고, f = 1이면 클래스 2로 결정하는 방식입니다.

회귀분석에서의 Loss function

다음 그림을 보면 파란선은 정규분포를 따르고 있습니다.

그리고 파란선의 평균값인 E[t|x]가 바로 y(x)값이 된다는 것도 알 수 있습니다.

또한, y(x)와 t의 차이가 적을 수록 오류가 최소화된다는 것을 확인할 수 있습니다.

그러므로 손실함수(Loss function)을 다음과 같이 나타냅니다.

책에서는 이 Loss function으로부터 y(x)와 E[t|x]가 같다는 것을 증명하는 것이 나와 있습니다.

어쨌든 그림에서 어느정도 이해할 수 있으므로 생략하도록 할께요. (수식 대입하고 미분해서 0이 되는 값을 구하는 형식입니다.)

분명히 알아야 할 점은 오차의 분포가 정규분포인 경우, 이러한 Loss function이 가장 효율적이라는 점입니다.

제곱을 하기 때문에 이것을 square loss 라고 하기도 합니다.

이상으로 Decision Theory에 대해 정리해 봤습니다.

다음에는 엔트로피와 관련된 Information Theory를 간략하게 정리해 보겠습니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22
베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) (0)	2013/04/12
확률 밀도(Probability density)와 기대값(Expectation) (0)	2013/04/08

기계학습(Machine Learning) 관련 자료들~

미니~ — Mon, 29 Apr 2013 08:11:00 +0900

기계학습(Machine Learning)에 대해서 관심이 높아지는 것 같습니다.

하지만 관련된 자료가 많지 않은 듯 해서 올려봅니다.

먼저 최근 Facebook 친구가 되신 분의 타임라인에 올라와서 확인한 자료인데요.

빅데이터에서의 기계학습(Machine Learning on Big Data)로서 잘 구성된 것 같습니다.

이 자료에 대한 설명과 함께 들으면 좋겠다는 생각이 들기도 하네요..

Machine Learning on Big Data from Max Lin

그리고 스탠포드 대학의 Andrew Ng 교수의 Machine Learning 강의도 훌륭합니다.

iTunes University에서 "Machine Learning"으로 검색해도 나오구요.

Coursera에서도 무료로 볼 수 있습니다. (https://www.coursera.org/course/ml)

모두들 참고하세요~

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22
베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) (0)	2013/04/12
확률 밀도(Probability density)와 기대값(Expectation) (0)	2013/04/08

소크라테스의 변명

미니~ — Fri, 26 Apr 2013 08:00:00 +0900

소크라테스의 변명 -
플라톤 지음/문예출판사

예전에 소크라테스하면 "너 자신을 알라", "악법도 법이다"라는 말이 가장 먼저 떠올랐습니다.

사람들에게 무지함을 일깨우고 독이 든 성배를 마셔 법을 준수하는 모습을 보였다고 하는 소크라테스..

그의 제자인 플라톤의 책 "소크라테스의 변명"을 통해서 살펴볼 수 있었습니다.

지난번 읽은 소크라테스 이전 철학자보다 훨씬 읽기도 편하고 쉽게 느껴지는 책입니다. ^^

소크라테스의 변명

통독: 2013.04.19 ~ 2013.04.22

소크라테스가 법정에 서게 된 이유부터 최후 변론까지 정리된 글입니다.

소크라테스가 자연을 탐구하는 자라는 고소 내용중의 하나에 대해

그는 자연철학자를 경멸하지는 않지만 스스로 자연에 대한 사색과는 관계가 없다고 말합니다.

실제로 소크라테스는 자연보다는 인간을 탐구하는 것이 더 중요하다고 했습니다.

인간을 탐구하면서 소크라테스가 만났던 현인이라 불리는 사람들(정치인, 시인, 장인)은 모두 아무것도 알지 못하면서 알고 있다고 생각했습니다.

그러나 소크라테스는 스스로 알지도 못하고 또 안다고 생각하지도 않았습니다.

현인이라 불리는 사람들에게 알고 있다고 생각하는 것이 실제로 모른다는 것을 정확하게 설명하면서

소크라테스는 미움을 사고, 적을 만들게 되었기 때문에 이렇게 법정에 서게 된 것이라고 합니다.

저 역시도 모르는 것을 모른다고 자신있게 말하지는 못합니다.

왠지 몰라도 아는척을 해야 이 분야의 전문가로 대우를 받을 수 있을 것 같기 때문이죠.

이 책을 읽으면서 현재 내가 아는 것도 정말 제대로 아는 것이지 한번 더 자문해봤습니다.

고발자인 멜레토스와의 대화에서 소크라테스의 대화하는 방식이 처음으로 나옵니다.

소크라테스의 대화법을 보면 끊임없이 질문을 하면서 본인이 원하는 결과로 이끌어내는 것 같습니다.

몇 수 앞을 내다보고 모든 질문의 각본을 짜 놓고 진행한다는 느낌을 받을 정도입니다.

제기된 문제에 대한 정확한 분석을 통해 의사결정 트리같은 것을 만들어서 진행한다고 해야 할까요?

대화 중에 이렇게 이끌어 낼 수 있다는 것은 끊임없는 사색과 노력의 결과가 아닐까 합니다.

조금이라도 훌륭한 사람은 죽느냐 사느냐 하는 위험을 헤아려서는 안 됩니다.
그는 어떤 일을 하면서 오직 올바른 행위를 하느냐 나쁜 행위를 하느냐,
곧 선량한 사람이 할 일을 하느냐 악한 사람이 할 일을 하느냐 하는 것만 고려해야 합니다.

죽음을 두려워한다는 것은 지혜로움을 가장하는 것이지 진정한 지혜로움은 아니기 때문입니다.
그것은 알지 못하는 것을 아는 체 하는 데 지나지 않습니다.
그리고 죽음이 최대의 선인지 아닌지를 아는 사람은 한 명도 없습니다.
그런데도 사람들은 두려운 나머지 죽음을 최대의 악이라고 생각하는 것입니다.
이러한 무지는 부끄러운 것이 아닐까요?
인간으로 하여금 알지도 못하는 것을 아는 것처럼 확신하게 하는 무지가 아닐까요?
그리고 이러한 점에서 나는 다른 사람들과 다르다고 생각하며, 그들보다 더 현명하다고 주장할 수 있을지도 모릅니다.

나는 여러분에게 돈으로부터 덕이 생기는 것이 아니라,
공적이든 사적이든 간에 덕으로부터 돈과 기타의 좋은 일이 생긴다고 말하는 것입니다.
이것이 나의 가르침입니다.

이후 유죄 투표 전까지의 글을 보면 법에 대한 소크라테스의 준법 정신을 알 수 있습니다.

법에 따르지 않는 재판들의 사례나 법정에서 감정에 호소하고 그에 따른 판결을 내리는 것이 얼마나 잘못된 것인지를 이야기 하고 있습니다.

여러분 가운데서 지혜나 용기 또는 다른 덕이 우월하다는 말을 듣는 사람이 이와 같은 방식으로 자신의 품위를 훼손시킨다면,
얼마나 부끄러운 행동입니까?
고명한 사람이 법정에 서면 아주 딴 사람처럼 행동하는 것을 나는 여러 번 보았습니다.
그들은 사형을 당하면 무서운 일을 겪게 되고 여러분이 그들을 살려주면 영생이라도 할 수 있는 것처럼 상상하는 듯 했습니다.

요즘도 법원에 출두할 때마다 등장하는 휠체어를 생각해 보니, 소크라테스의 시대뿐만 아니라 현재 사회에서도 한번쯤 생각해 볼 이야기가 아닐까 합니다.

나의 친구여, 죽음의 회피가 어려운 것이 아니라, 불의를 피하는 것이 어렵습니다.
부정은 죽음보다도 빨리 달리기 때문입니다.

크리톤

통독: 2013.05.03 ~ 2013.05.04

크리톤과 소크라테스의 대화를 옮겨 놓은 것이 크리톤입니다.

내용은 매우 짧지만, 소크라테스의 국가관을 잘 알 수 있는 부분인 듯 합니다.

크리톤이 소크라테스에서 감옥에서 도망갈 것을 권유하면서

많은 사람들이 자신이 도피를 권유했는데 소크라테스가 거절했다는 것을 믿지 않을 것이며,

친구의 목숨보다 돈을 소중히 여겼다고 비난할 것이라는 이야기에 대해 소크라테스는 다음과 같이 이야기 합니다.

하지만 크리톤, 많은 사람들의 의견에 구애될 이유가 무엇인가?
사실 많은 사람들은 최대의 해를 끼칠 수 있을 거야.
그렇다면 또한 그들은 최대의 선도 이룩할 수 있을게 아닌가
그렇게 된다면 얼마나 좋은 일인가!
그러나 사실은 그들은 어느 쪽도 하지 못하네.
그들은 사람들을 현인으로도 바보로도 만들지 못하기 때문이야.
그들이 무슨 일을 하든 그것은 우연히 일어난 일에 지나지 않아.

그리고 이어지는 정의, 선, 명예에 대한 소크라테스의 이야기에 크리톤은 동의할 수 밖에 없는 상황들이 나옵니다.

특히 국가에 대한 이야기를 할때, 국가가 부모님의 결혼을 허락하고, 교육을 인정해주고, 등등의 이야기를 통해

이미 그 시대에 이러한 정의론과 국가관을 가지고 있었다는 점에서 소크라테스가 다시 한번 대단하게 느껴지네요.

그 외의 다른 어떤 것보다도 먼저 정의를 생각하게.
만일 당신이 크리톤이 하라는 대로 하면 당신이나 당신에게 속한 사람들은 이 세상에서 더 행복해지지도,
더 신성해지지도, 더 올바르게 되지도 않고, 또한 저 세상에서도 더 행복해지지는 않기 때문일세.
이제 당신은 무고한 몸으로 피해자로서 떠나가는 것이지 악행을 한 사람으로 떠나가는 것은 아니네.
법률이 아니라 인간의 희생자로서....

파이돈

통독: 2013.05.05 ~ 2013.05.17

소크라테스의 변명에 나오는 이야기 중에서 가장 철학적인 단편입니다.

소크라테스의 죽음을 앞두고 그가 가진 삶과 죽음, 그리고 영혼의 불멸과 환생에 대한 생각들을 이야기 하고 있습니다.

심미아스와 케베스와 대화하는 형태로 되어 있고, 중간중간 크리톤이나 아폴로도로스도 등장을 합니다.

에케크라테스가 소크라테스의 임종을 지켜본 파이돈에게 설명을 요청하고 그가 이야기 하는 형태로 되어 있기 때문에 책의 제목이 파이돈입니다.

하지만, 어떻게 생각해보면 소크라테스의 제자인 플라톤이 작성한 글이므로

소크라테스의 사상을 기반으로 플라톤이 자신의 생각을 보다 정리해서 만든 것이라는 이야기도 어디서 들어본 것 같네요.

사람들이 쾌락이라고 부르는 것은 얼마나 묘한 일인가,
그리고 쾌락의 반대라고 여겨지는 고통과의 관계도 또 얼마나 이상한 것인가!
쾌락과 고통은 동시에 같은 사람에게 주어지는 일은 없으면서도 그 중 하나를 추구해서 얻은 사람은 대체로 다른 하나도 어쩔 수 없이 얻게 마련이기 때문이야.

쾌락을 지나치게 추구하다 보면 결국 고통이 뒤따르는 것은 누구나 겪어보면서도 되풀이하는 것 같습니다.

그리고 소크라테스는 자살이 왜 옳지 못한지를 소나 나귀의 예를 들어서 설명합니다.

그러면서 진정한 철학자는 죽음을 맞이하여 기쁜 마음을 가져야 한다고 이야기 합니다.

죽은 다음에는 저 세상에서 최대의 선을 얻는다는 희망을 가질 수 있기 때문이라고 합니다.

죽음이 다가오는 것을 슬퍼하고 주저하는 사람이 있다면,
그는 지혜를 사랑하는 자가 아니라 육체를 사랑하는 자이며,
동시에 돈이나 권력 또는 두 가지를 다 사랑하는 자일지도 모른다는 충분한 증거야

가끔 사람들과 대화를 하다 보면, 소크라테스가 자살한 것으로 알고 있는 경우가 있습니다.

단지 독배를 마시고 죽었다는 것만 교과서에 부각되어서 그런 것 같아 안타깝습니다. ㅠㅠ

이제 죽음과 삶의 발생부터 시작해서 불교의 윤회설과 같은 영혼이 다시 태어난다는 것을 설명합니다.

즉, 영혼이 육체를 떠날 때 바람에 날려 흩어져버려서 어느 곳에도 존재하지 않게 되는 일은 결코 없다는 것이죠.

이에 대한 케베스와 심미아스의 질문에 대하여 소크라테스 특유의 질문/답변으로 이야기를 이어갑니다.

자연, 삶과 죽음, 육체와 영혼에 대한 다소 철학적인 부분이 있기는 하지만 소크라테스 이전 철학자들을 읽어봐서인지 어느정도 이해가 되네요.. ^^

죽음을 앞두고 마지막까지 철학자로서의 자존심을 지켰던 소크라테스의 이야기는 변명, 크리톤, 파이돈으로 마무리가 됩니다.

향연

통독: 2013.05.17 ~ 2013.05.19

에로스(사랑)에 대한 찬양을 다루고 있는 향연은 예전에 한번 읽어본 적이 있어 빠르게 봤네요.

등장인물들이 돌아가면서 에로스에 대한 찬양을 이야기 하는 방식으로 되어 있습니다.

먼저 파이드로스는 에로스는 신들 중에서 가장 오래되고 가장 존귀할 뿐만 아니라

살아 있을 때나 죽은 다음에나 인간이 덕과 행복을 얻도록 돕는 일에서도 가장 강력하다고 주장합니다.

파우사니아스는 두 종류의 사랑에 대해 이야기 하는데요.

천상적 사랑은 사랑하는 사람이나 사랑받는 사람이나 덕을 얻기 위해 노력하도록 하는 것이 때문에

나라와 개인을 위해 가치 있는 사랑이라고 이야기 합니다.

의사인 에리크시마코스는 건강한 육체와 병든 육체를 예로 들면서 고상한 사랑과 비천한 사랑의 차이에 대해 이야기 합니다.

아리스토파네스는 원래 두얼굴과 두몸으로 되어 있는 인간이 반으로 쪼개지면서

서로를 그리워하기 때문에 사랑이 나타났다는 조금 신화적인 이야기를 하지요.

모임을 주최한 아가톤은 사랑은 첫째로 아름다움과 선 자체에서 최고이고,

둘째로 다른 사물에 있는 이러한 성질의 원인이라고 이야기를 합니다.

마지막으로 소크라테스가 특유의 대화법을 통해 사랑, 즉 에로스에 대한 이야기를 합니다.

순수하고 혼합된 것이 없는 절대적 아름다움 자체를 본 사람,
인간의 살과 색깔과 보잘것없는 폐물에 의해 더렵혀진 아름다움 대신에 홀로 떨어져서 존재하는 신적인 아름다움을 파악할 수 있는 사람의 지복을 무엇이라고 말할 수 있을까요?
그 방향으로 시선을 고정시키고 적절한 능력을 갖고 절대적 아름다움을 관조하고 절대적 아름다움과 일체가 되는 삶을 사는 사람의 생활을 보잘것 없다고 생각합니까?
그것을 볼 수 있는 능력을 갖고 절대적 아름다움을 보는 곳에서만 진리의 반영이 아니라 진리 자체와 접촉하기 때문에,
선의 영상이 아니라 참된 선을 알게 되리라는 것을 당신은 모릅니까?
그리고 참된 선을 알고 그러한 덕을 쌓았기 때문에, 그는 신의 사랑을 받고,
만일 인간이 그렇게 될 수 있다면 영생할 특권을 갖게 될 것입니다.

그리고 이어 등장하는 알키비아데스는 에로스가 아닌 소크라테스에 대한 찬양을 하면서 마무리됩니다.

책을 읽으면서 소크라테스가 서양 철학의 시작이고, 4대 성인으로 대우를 받는지 조금은 알 것 같습니다.

앎에 대한 끊임없는 탐구와 사람들에게 지식을 전달하려는 노력, 그리고 양심에 따른 행동이 바로 소크라테스의 진면목이 아닐까 합니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 도서' 카테고리의 다른 글

마케팅 불변의 법칙 (0)	2013/05/20
소크라테스의 변명 (0)	2013/04/26
소크라테스 이전 철학자들의 단편 선집 - 철학의 시작 (0)	2013/04/10
빅데이터가 만드는 비즈니스 미래지도 - 미래 경제를 움직이는 거대한 데이터 혁명 (0)	2013/02/22
미생 - 아직 살아 있지 못한 자 (0)	2013/02/05
질문의 힘 - 제대로 된 질문이 상대를 움직인다. (0)	2013/01/30

빅데이터에서의 Analytics에 대한 정의

미니~ — Wed, 24 Apr 2013 08:04:00 +0900

빅데이터의 등장과 함께 Analytics에 대한 관심도 높아지고 있습니다.

넓은 의미의 Analytics는 의사 결정권자에게 실행할 수 있는 인사이트를 제공해주는 것이라 할 수 있습니다.

좁은 의미로는 사용자에게 데이터로부터 패턴을 파악해서 제공할 수 있는 기술이나 프로세스를 말합니다.

일반적으로 IT와 관련된 용어들은 여러가지 측면에서 의미를 부여할 수 있습니다.

보통 비즈니스 측면과 기술적 측면으로 나눠 볼 수 있는데요.

Analytics도 넓은 의미는 비즈니스 측면이고 좁은 의미는 기술적인 측면이라고 말 할 수 있겠죠.

넓은 의미의 Analytics

일반적으로 데이터를 분석하는 목표는 비즈니스를 성공적으로 이끌어내기 위함입니다.

즉, 넓은 의미의 Analytics는 비즈니스 자체에 목적을 두고 있다고 봐야 합니다.

그래서 수많은 데이터에서 인사이트를 발견하고 이를 실제로 실행할 수 있도록 제공하는 것을 Analytics라고 이야기 할 수 있습니다.

여기서 중요한 것은 바로 실행입니다.

비즈니스의 성공을 위해서 기존의 데이터를 분석해 의사결정하고 행동에 옮길 수 있어야 한다는 것이죠.

지난번 Harvard Business Review에 나온 의사결정에 숨어있는 함정에서도 이야기 한 것처럼

단순히 직관에 의한 결정이 얼마나 큰 문제가 되는지 알 수 있을 것입니다.

즉, Analytics를 통해 데이터에 기반을 둔 의사 결정을 할 수 있다는 것이 바로 최근 Big Data 측면에서의 Analytics라고 할 수 있습니다.

다음 그림을 보면 Analytics 이전에도 이미 이런 움직임은 많이 있었습니다.

90년대 초반의 Data Warehousing, 2000년대 초반의 Business Intelligence와 Performance Management 등이 여기에 해당한다고 할 수 있습니다.

Data Warehousing에서는 데이터를 가져오는 것이 중요했고,

Business Intelligence에서는 이런 데이터를 비즈니스에 사용하는 것이 목표였습니다.

그리고 Performance Management에서는 이런 데이터의 활용으로 비즈니스를 개선하는 것이었죠.

Analytics는 이런 과정을 거쳐서 비즈니스의 추진력을 높여주는 것이라고 이해할 수 있습니다.

좁은 의미의 Analytics

좁은 의미로 살펴보면, Analytics는 데이터를 분석하기 위해 사용하는 기술이라고 이야기할 수 있습니다.

데이터를 분석하기 위한 기술로는 주로 리포팅 툴과 분석 툴을 사용합니다.

리포팅 툴의 예로 대시보드와 같은 것을 생각하면 됩니다.

리포팅 툴을 활용하면 주요 현황을 모니터링 할 수 있고, 주어진 문제에 대한 해결책 등을 찾아낼 수 있습니다.

반면, 분석 툴은 패턴, 트랜드, 또는 이상 징후를 찾아내기 위해 데이터를 탐구해 보는 것이라고 할 수 있습니다.

즉, 데이터를 모니터링하기 위해서는 리포팅 툴을 사용하고, 데이터를 연구하기 위해서는 분석 툴을 사용한다고 볼 수 있겠죠.

다음 그림은 이러한 흐름을 잘 보여주고 있습니다.

Reporting과 Monitoring이 리포팅 툴을 이야기 하고 있는데요.

Reporting은 과거에 일어난 일을 이야기하고, Monitoring은 현재 일어나고 있는 일을 살펴보는 것입니다.

그리고 Analysis와 Prediction은 분석 툴로 간주할 수 있습니다.

Analysis는 왜 일어났는지를 살펴보고, Prediction은 앞으로 일어날 일을 예측하는 것이 되겠죠.

현재 저는 분석 플랫폼인 핑그래프(http://fingra.ph)를 진행하고 있습니다.

작년 8월에 공개한 베타 버전이 리포팅 툴이었다면, 지난 미국 SXSW와 홍콩 ICT 엑스포에서 발표한 내용이 분석 툴에 해당한다고 할 수 있습니다.

최종적으로 올해 8월 정식 버전은 넓은 의미의 Analytics인 의사 결정을 위한 플랫폼을 구축해 보려고 합니다.

앞으로 기회가 되면 Analytics와 관련된 글들도 올려보도록 하지요..

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > BigData' 카테고리의 다른 글

빅데이터에서의 Analytics에 대한 정의 (0)	2013/04/24
구글 독감 트렌드 분석 - Big Data, Big Insight (0)	2013/02/12
빅데이터 분석 기술에 대한 정리~ (2)	2012/11/23
빅데이터의 확장 배경과 실제 사례들 (0)	2012/11/21

Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment

미니~ — Mon, 22 Apr 2013 09:38:46 +0900

이전에 살펴본 베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) 에서 Frequentest와 Bayesian에 대해서 정리를 했었습니다.

실제 Curve Fitting에서 이 두가지 방식이 어떻게 적용되는지 살펴보도록 하죠.

Curve Fitting에 대해서는 기계학습 첫 강좌에서 설명했었습니다.

주어진 입력값 x에 대한 타겟을 t라고 했을 때, x에 대응하는 값 y(x, w)에 대해 다음과 같은 관계가 성립한다고 합니다.

다음 그림을 옆으로 보면 y(x,w)에 대해 정규 분포의 형식을 가지고 있는 것을 알 수 있습니다.

정규분포를 따르므로 y(x,w)는 평균, β−1은 분산이 된다는 것을 알 수 있습니다.

앞서 정리한 가우스 분포(정규 분포)에 대한 수식과 비교해 보면, 왜 평균 분산이 되는지 알 수 있을 것입니다.

이제 임의의 x와 t에 대한 Curve Fitting을 결정하기 위해서 w와 β를 최대로 하는 maximum likelihood를 구해야 합니다.

이것이 바로 Frequentest Treatment라고 하는 방법입니다.

각각의 y(x,w)는 독립이므로 모두 곱해주면 확률을 구할 수 있겠죠.

가우스 분포에서 평균과 분산에 대한 maximum likelihood를 구했던 것을 생각해보면 똑같은 방식으로 구할 수 있을 것입니다.

먼저 log를 취해서 maximum likelihood를 계산하기 편하게 합니다.

log를 취하더라도 최대, 최소값은 변경되지 않기 때문입니다.

위식은 정규분포의 기본 공식에 log를 취해서 만들어진 식이 됩니다.

Maximum likelihood를 구하기 위해서 위 식을 미분해서 0이 되는 값을 구하면 바로 최대값을 알게 됩니다.

이렇게 하면 다음과 같은 식을 구하게 됩니다.

w와 β에 대한 maximum likelihood를 알고 있으므로 확률을 계산할 수 있게 되겠죠.

이렇게 구하는 maximum likelihood의 단점은 동전을 세번만 던져서 모두 앞면이 나왔다면,

앞면이 나올 확률을 1로 보고서 maximum likelihood를 계산하기 때문에 잘못된 결과가 나오게 됩니다.

즉, 시도한 회수가 작거나 반복적으로 실행해 볼 수 없는 경우 Frequentest는 문제가 될 수 있다는 것이죠.

그래서 이런 경우 대안으로 Bayesian Treatment를 사용하게 됩니다.

Bayesian에서는 x와 t를 가지고 w를 확률에 따른 값으로 보고서 계산을 하는 것으로 maximum likelihood가 아닌 w를 가정해서 활용하게 됩니다.

Bayesian의 표현을 통해서 위의 curve fitting에 적용하면 다음과 같습니다.

복잡하니 α와 β를 제외하고 Bayesian 공식으로 정리해보면 다음과 같습니다.

Bayesian Treatment는 계산이 복잡하기는 하지만 Frequentest의 단점을 보완하기 때문에 많이 사용한다고 합니다.

이러한 공식을 통해서 다음과 같은 curve fitting을 그려낼 수 있습니다.

마지막으로 The Curse of Dimensionality에 대해서 간단히 정리하고 마치려고 합니다.

기계학습에서 Dimension이 늘어나면 처리해야 할 양이 지수승으로 증가하게 됩니다.

그래서 계산량이 늘어나고 쏠림현상이 발생해서 잘못된 결과를 예측하게 되는 경우가 많은데요.

이를 Dimension의 저주라고 합니다.

The Curse of Dimensionality를 피하기 위해서는 먼저 Dimension을 줄이고, 변수를 너무 많이 사용하지 않도록 해야 한다고 합니다.

다음에는 Decision Theory와 Information Theory에 대해서 정리해 보도록 하겠습니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22
베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) (0)	2013/04/12
확률 밀도(Probability density)와 기대값(Expectation) (0)	2013/04/08
확률 이론 - Probability Theory (0)	2013/04/04

또봇 시즌 10 동영상 모음

미니~ — Sun, 21 Apr 2013 17:16:27 +0900

또봇 시즌 10이 시작되었습니다.

또봇 공식 블로그 http://blog.naver.com/tobot_yt 에도 올라왔네요.

또봇 미공개 영상 1탄

또봇 미공개 영상 2탄

[또봇 시즌 10] 오프닝 영상

[또봇 시즌 10] 1화: 불타는 떡볶이

[또봇 시즌 10] 2화: 새로운 시작

[또봇 시즌 10] 3화: 전원일기

[또봇 시즌 10] 4화: 훤빈의 음모

[또봇 시즌 10] 5화: 가스는 위험해!

[또봇 시즌 10] 6화: 위기의 오순경

[또봇 시즌 10] 7화: 도와죠요! 또봇!

[또봇 시즌 10] 8화: 떡볶이집 습격사건

[또봇 시즌 10] 9화: 응우앤

[또봇 시즌 10] 10화: 대화가 필요해

[또봇 시즌 10] 11화: 호날드 : 차두리

[또봇 시즌 10] 12화: 대도시 떡볶이 지키이 본부

[또봇 시즌 10] 13화: 갈등

[또봇 시즌 10] 14화: 잠복근무는 지겨워

[또봇 시즌 10] 15화: 또봇C의 탄생

[또봇 시즌 10] 16화: 화해

[또봇 시즌 10] Opening

[또봇 시즌 10] Ending

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'미니이야기 > 아이들' 카테고리의 다른 글

또봇 시즌 10 동영상 모음 (0)	2013/04/21
유투브에서 신머털도사 OST 추출하기~ (0)	2012/12/30
또봇 시즌 9 동영상 모음 (0)	2012/12/23
또봇 시즌 8 동영상 모음 (0)	2012/10/14
또봇 오프닝 모음~ (0)	2012/09/15
또봇 시즌 7 동영상 모음 (0)	2012/08/04