내게 구하라
내가 이방 나라를 네 유업으로 주리니
네 소유가 땅끝까지 이르리로다
(시편 2편 8절)
'분류 전체보기'에 해당되는 글 648건
- 2018/01/17 용비 2018년도 말씀
- 2018/01/03 용비 2018년도 To-Do
- 2017/12/11 용비 마님과의 취미생활
- 2017/11/11 용비 7가지 보고의 원칙 - 7원칙:조심성의 원칙
- 2017/11/10 용비 08. Logistic Regression
TAG 요절 말씀
1. 오픈소스 Master
- ZeroMQ
- RocksDB
2. Technology Master
- 추론엔진
- 음성인식
- AI Framework
- BlockChain
TAG 일상의 단상
작년 2016년 어느 때인가 사장님께 코칭을 받은 적이 있다. 코칭을 받은 부분을 요약하자면 크게 2가지로 나눌 수 있는데, 첫번째는 회사 생활에서의 애로 사항에 대한 토로, 두번째는 첫번째와 연결되어 가정에서 발생하는 여러 상황에 대한 처신에 대한 것이었다.
그 중에서 두번째는 곧, 마님과의 관계성 형성에 대한 것이었는데, 평소에 마님께서 '우리는 너무 공통분모가 없다'라고 한 말에 대해 사장님의 조언을 구하고 싶었다.
사장님과 이야기를 나누면서 개인적으로 정리한 부분은, 마님과 함께 하는 부분이 부족한 것은 또 다음 2가지 영역으로 구분해 볼 수 있었다.
첫째, 서로의 관심사가 다르다.
둘째, 함께 하는 시간이 부족하다.
원론적인 이야기지만, 코칭 시 내가 내린 결론은 아내와 이야기를 자주 하면서 같이 할 수 있는 분야를 찾고, 주말 시간을 최대한 이용하는 것이었다.
그렇게 사장님 코칭 이후 1년 정도가 지난 후, 드디어 공통의 관심사를 찾은 것 같다.
지난 토요일, 일요일은 tvN의 '비밀의 숲' 드라마 16부작을 시청하는 시간이었다.
맥주에 과자 안주, 과일 안주까지 마련해 놓고, 애들은 강제로 자라고 방에 보내고 불 끄고, 우리는 안 방에서 일요일 새벽까지 같이 드라마를 시청하며 울고, 웃고, 중간에 허리 아파서 방바닥을 한번씩 굴러주고(?)...
그러면서 우리 마님 나를 보며 소리쳤다.
"남자가 나이가 들면 여성 호르몬이 많아지면서 드라마 보며 운다던데, 드디어 당신도 그 대열에 들어 왔구나? 이거 큰일났네. 우리 남편 드라마의 재미를 알게 되었는데, 맨날 질질 짜면 어쩌지?"
어쩌긴. 마님도 옆에서 같이 울어야지.
근데 정말 질질 짜게 되면 곤란한데. 설마 내가 그렇게까지 되지는 않겠지.
그런데, 솔직히 드라마가 재미 있었다. 여태 관심도 없고, 재미도 없던 드라마. 그래서 TV도 잘 안보던 내가 왜 이렇게 드라마가 재미있어 하게 되었는지 사실 이유는 모른다.
하지만, 사람은 변하기 마련이라고 누가 그랬던가. 2017년 드라마 시청율 순위 기준으로 5개의 차기 시청 후보작(?) 리스트를 뽑아 놓았다.
다음 번 마님과 시청할 드라마는 '피고인', '시그널', '더 패키지', '조작', '고백부부'.
이 정도면 이번 겨울은 따끈따끈하게 보낼 수 있을 것 같다.
다만, 대전에 내려갈 때면 시청하기 위한 준비를 해서 이동해야 한다는 것이 불편할 뿐.
결혼 13년만에 공통의 관심사를 찾았다. 드디어. 푸하하하.
정말 재미 있는 드라마가 없어질 때쯤이면 내가 시나리오 하나 써서 마님과 같이 연기에 도전해 봐야지.
7가지 보고의 원칙(남충희 저, 황금사자) 중 제 7원칙 조심성의 원칙에 대한 간략한 정리.
상사 앞에서 의견을 제시할 때 가져야 할 직장인의 지혜에 관한 내용으로 보고와 관련된 ‘처세의 원칙’ 또는 ‘사려 분별 및 균형감 유지의 원칙’임.
<조심성>
- 내 의견이 옳다는 확신이 있을 때, 상사와의 의견 충돌이 있다면 ‘알겠습니다’ 일단 물러난 후 다시 생각한다.
상사가 자신의 리더십과 권위에 도전하는 것으로 여기기 때문에 그자리에서 끝까지 우기는 적극성은 위험하다.
- 상사도 불합리한 지시를 할 수 있고, 생각이 짧을 수도 있다. 편견도 있을 수 있고, 부서지기 쉬운 인간이기도 하다.
공개적인 석상에서 부하직원들에게 정면으로 말대꾸, 항변, 반박을 받으면 의견에 대한 반대로 인식하기 보다 리더십과 상사의 권위에 대한 도전으로 인식하게 된다.
부하로부터 자신이 의사결정을 하는 듯한 단정적인 말투를 듣게 된다면 권한에 대한 부당한 도전으로 인식한다.
- 조직의 리더십과 상사라는 권위, 최종 결정에 대한 세삼한 존중심을 상실한 생각없는 적극성과 그 지속성은 대단히 위험하다.
- 직장은 하고 싶은 말을 마음대로 할 수 있는 민주사회가 아니라 독재 왕국에 가깝다.
- 리더십과 상사의 권위와 의사결정 권한에 도전하는 행동은 무모한 적극성이다. 특히, 공개 석상에서 그렇다.
<소극성>
조직의 상사로서 생각해 볼만한 것들.
적극성에 대한 위험을 본능적으로 알고 있기 때문에 직원들은 아이디어를 활발히 제시하지 않는다. 혁신적인 아이디어는 나오기 힘들고 일방적인 지시가 된다.
결국 회의 무용론이 등장하게 된다.
- 회의에 먼저 내 견해를 성급하게 밝히지 말자
- 평가하는 발언을 하지 않는다.
- 회의 결과만을 보고 받는다.
결론 :
적극적인 의견 개진 시의 위험성을 알고, 결과적으로 상사의 뒤에서 상사를 밀어주고, 세워주고, 올려줘야 한다.
소감 :
모든 내용을 공감하는 것은 아니지만,
의견이 다른 상황이거나, 공개적인 석상에서 상사의 리더십과 권위에 도전하는 것으로 여기도록 주장하는 것은 위험하다는 것에는 공감.
결국 7번째 조심성의 원칙은 처세, 사려 분별 및 균형감 유지의 원칙이라고도 할 수 있는데,
리더십, 권위, 조직 의사 결정 등에 대한 상사의 권한을 인정하고 존중하며 겸손한 마음을 기반으로 최선의 대응책을 찾는 것이 필요.
Logistic Regression
(로지스틱 회귀 : 독립변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용디는 통계 기법, 확률 모델. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다.)
많은 레이어를 가진 심층 신경 네트워크(deep neural network)에서 마지막 레이어는 특별한 역할을 갖는다. 레이블이 지정된 입력을 처리할 때, 마지막 출력 레이어는 가장 가능성 있는 레이블을 적용하여 각 예제를 분류한다. 출력 레이어의 각 노드는 하나의 레이블을 나타내고, 노드는 이전 레이어의 입력과 파라미터로부터 수신한 신호의 강도에 따라 켜지거나 꺼진다.
각 출력 노드는 입력 변수가 레이블을 가질 가지가 있거나 없기 때문에 이진 출력값 0과 1의 2개의 가능한 결과를 생성한다. 어쨌든, 약간의 잉태같은 것은 없다.
레이블이 지정된 데이터로 작업하는 신경망(neural network)은 2진 출력을 생성하지만, 신경망이 받는 입력은 종종 연속적이다. 즉, 네트워크가 입력으로 수신하는 신호는 값들의 범위에 걸쳐 이어져 있고 해결하고자 하는 문제에 따라 많은 수의 메트릭(기준)을 포함하고 있다.
예를 들어, 추천 엔진은 광고를 게재할 것인지 아닌지에 대해 2진 결정을 내려야만 한다. 그러나, 그 결정의 기반이 되는 입력은 지난 주 얼마나 많은 고객이 Amazon에서 시간을 보냈는지, 혹은 고객이 해당 사이트를 얼마나 자주 방문했는지를 포함하고 있다.
따라서 출력 레이어는 기저귀에 67.59달러를 썼고, 웹 사이트에 15회 방문했다는 것과 같은 신호를 0과 1 사이에서 압축을 해야만 한다. 즉, 주어진 입력이 레이블이 붙여져야 하는지 아닌지의 확률을 계산해야 한다.
지속적인 신호를 이진 출력으로 변환하는데 사용하는 메커니즘을 로지스틱 회귀라고 한다. 불행하게도 로지스틱 회귀라는 이름은 대부분의 사람들이 친숙한 선형 의미에서의 회귀 분석보다는 분류를 위해 사용된다. 입력값들의 집합이 레이블에 일치할 확률을 계산한다.
이 작은 수식을 살펴보자.
확률로 표시되는 연속되는 입력의 경우, 음의 확률같은 것이 없기 때문에 양의 결과를 출력해야만 한다. 그래서 출력이 0보다 커야 하기 때문에 분모는 e의 지수가 된다. 이제 e의 지수와 분수 1/1 사이의 관계를 고려해 보자. 알다시피 1은 확률의 결과가 터무니없지 않고는 넘어갈 수 없는 한도이다. (120%로 확신한다.)
레이블을 작동시키는 입력값 x가 증가함에 따라 x에 대한 e의 표현은 0으로 줄어들어서 분수 1/1이나 100%로 남게 된다. 이것은 (언제고 상당히 접근하는 것이 아니라) 레이블에 적용되는 절대 확실성에 도달함을 의미한다. 출력과 음의 상관관계가 있는 입력은 e의 지수에 음수 부호로 뒤집힌 값을 가지게 되고, 음수 신호가 커지면 x에 대한 e의 양이 커져서 전체 분수는 0에 가까워지게 된다.
이제 x를 지수로 갖는 것보다 모든 가중치와 해당 입력값들의 곱을 합한 것, 즉 네트워크를 통과하는 모든 신호를 상상해 보자. 그것이 신경망 분류기(neural network classfier)의 출력 레이어에서 로지스틱 회귀 레이어로 반영되는 것이다.
이 레이어를 사용하면, 위에는 예를 1로 레이블을 지정하고, 아래에는 표시하지 않는 임계값을 결정하여 설정할 수 있다. 원하는 대로 임계값을 다르게 설정할 수 있다. 오류를 어느 쪽에 적용할 것인지에 따라 낮은 임계값은 거짓 양성(false positive:통계상 실제로는 음성인데 검사 결과는 양성이라고 나오는 것, 위양성 혹은 거짓 정보)을 증기시키고, 높은 임계값은 거짓 음성(false negative:통계상 실제로는 양성인데 검사 결과는 음성이라고 나오는 것. 2종 오류. 거짓 양성보다 오탐 비용이 커짐.)을 증가시킨다.
댓글을 달아 주세요
댓글 RSS 주소 : http://www.yongbi.net/rss/comment/797