당신에게 어떤 현상이 선형적(인과가 비례적)으로 보인다면, 이는 당신이 대립하는 두 독립 변수 중 하나를 고정시켰기 때문입니다. 우리는 지구를 고정하고 물체만 바라보기 때문에 물체의 운동을 선형적으로 표현할 수 있는 것과 같습니다. 이는 모든 '측정'의 원리입니다.
한편, 일반적으로 비선형계를 예측하기 어려운 이유는 관찰자가 현상에서 비선형계를 구성하는 변수를 2가지로 압축시키는데 어려움을 겪기 때문입니다. 그 이유는 귀납적 추론을 사용하기 때문이고요. 연역적으로 추론하지 않으므로 생기는 오류입니다.
진화나 발달이 계단식으로 이루어지는 것도 이러한 비선형 원리 때문입니다. 한 쪽 독립 변수가 아무리 채워져도 다른 쪽 독립 변수가 채워지지 않으면 다음 단계(종속 변수)로 올라갈 수 없습니다. 밸런스 원리라고도 하죠.
최근 트렌드인 머신러닝과 관련된 비선형성을 생각하시려면 다음 링크도 추천합니다. 보통은 하위의 어떤 다수의 특성(피처, 독립변수)으로 상위의 레이블(정의 혹은 분류, 귀납적으로 봤을 때 종속변수)을 귀납적으로 규정하는 방법을 머신러닝이라고 합니다. 그 방법의 대표적인 예시가 신경망이고요.
구조론은 수학적으로 비선형 시스템과 유사한 것으로 생각됩니다. 대강 다음 링크에서 설명하고 있습니다.
http://www.aistudy.com/physics/chaos/nonlinear.htm
제 이야기는 수학적으로는 엄밀하지 않을 수 있습니다. 참고만 하시기 바랍니다.
당신에게 어떤 현상이 선형적(인과가 비례적)으로 보인다면, 이는 당신이 대립하는 두 독립 변수 중 하나를 고정시켰기 때문입니다. 우리는 지구를 고정하고 물체만 바라보기 때문에 물체의 운동을 선형적으로 표현할 수 있는 것과 같습니다. 이는 모든 '측정'의 원리입니다.
한편, 일반적으로 비선형계를 예측하기 어려운 이유는 관찰자가 현상에서 비선형계를 구성하는 변수를 2가지로 압축시키는데 어려움을 겪기 때문입니다. 그 이유는 귀납적 추론을 사용하기 때문이고요. 연역적으로 추론하지 않으므로 생기는 오류입니다.
진화나 발달이 계단식으로 이루어지는 것도 이러한 비선형 원리 때문입니다. 한 쪽 독립 변수가 아무리 채워져도 다른 쪽 독립 변수가 채워지지 않으면 다음 단계(종속 변수)로 올라갈 수 없습니다. 밸런스 원리라고도 하죠.
최근 트렌드인 머신러닝과 관련된 비선형성을 생각하시려면 다음 링크도 추천합니다. 보통은 하위의 어떤 다수의 특성(피처, 독립변수)으로 상위의 레이블(정의 혹은 분류, 귀납적으로 봤을 때 종속변수)을 귀납적으로 규정하는 방법을 머신러닝이라고 합니다. 그 방법의 대표적인 예시가 신경망이고요.
https://developers.google.com/machine-learning/crash-course/feature-crosses/encoding-nonlinearity?hl=ko