[책] 역행자

개인적으로 자기계발 서적은 그다지 좋아하지 않는다. 그런데 독서모임에서 읽기로 한 책이어서 다소 반 강제의 느낌으로 책을 보게 되었다.

책을 읽기 전에, 유튜브에 저자 자청에 대한 인터뷰가 있어 내용을 훑어보고 시작하니 대략 다음과 같은 내용이 가장 핵심인 것을 알 수 있었다. 저자는 이를 역행자 6단계 모델이라고 지칭하였다.

  • 1단계 자의식 해체
  • 2단계 정체성 만들기
  • 3단계 유전자 오작동
  • 4단계 뇌 자동화
  • 5단계 역행자의 지식
  • 6단계 경제적 자유를 얻는 구체적 루트

왠만한 사람들보다 책을 많이 읽는 입장에서, 최근 들어 책의 끝 페이지를 보았다 $=$ 책을 읽었다로 인지하는 흐름이 스스로에게 보여서 그런지 위의 단계가 가볍게 느껴지지는 않았다.

이전의 나라면, 너무나도 당연한 이야기라고 생각하고 그냥 지나갔을지도 모른다. 하지만 저 내용을 곱씹어보면서, "인지는 하되 실행은 미루고 있는 나"를 볼 수 있었기 때문이다. 그리고 저자는 실행을 했다는 점에서 매우 달랐다. 마치 자의식을 해체한 것 같지만, 그 해체하고 난 부분부터는 헤매고 있다는 것을 인지할 수 있었다.

환경을 설계하고 있지만, 그 환경 속에서 소모되거나 앞으로 나아가지 않는 듯한 모습을 스스로에게 느꼈다. 정체성을 만들고 유전자오작동 단계가 스스로 그러했다.

그 외 확률이론이라든가, 메타인지에 대한 부분은 직업 측면 뿐만 아니라, 개인적인 강점이기도 했기 때문에 내용에 대해서는 저자의 해당 이론에 대한 이해도와 상관없이 동감할 수 있는 부분으로 내용으로 가득하였다.

여기까지 읽고 나서인지 212p 쯤에 적혀있는 문장은 가슴을 후벼파는 문장이었던 것 같다.

실행력이 높은 사람이 인생이라는 게임에서 쉽게 경제적 자유를 얻는다. 진정한 자유를 얻는다.

정리하면 그렇다. 이 책의 내용은 어떠한 다른 책에서도 볼 수 있는 내용임에는 틀림없다. 다시 말해서 이러한 자기계발류의 책에서는 이 책만 보아도 좋다. 저자의 경험이 정답은 아니지만, 저자가 정리해낸 성공하기 위한 6단계의 모델은 충분히 가치가 있고 본인의 모델로 삼기에는 좋다고 생각한다.

물론 단계를 따라가기에 좋다는 것이지, 이 책에서 제시해준 여러 사업 아이디어를 좇아가라는 것은 아니다. 현 시점에서 본인이 가지고 있는 능력이 있기 때문이다. 하지만 마인드셋 자체의 리셋에서는 사실 초반에 억지로 읽어야 했던 마음을 내려놓고 읽기에는 충분히 좋은 책이었다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서