고차원데이터

7 Contents

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..? (2)

우리가 일상에서 접하는 데이터는 단순한 수치의 나열을 넘어 고차원 공간상의 점으로 이해할 수 있습니다. 예를 들어 한 개인의 키, 몸무게, 나이 등 여러 지표를 수치화하면, 그 개수만큼의 차원을 가진 좌표가 생성됩니다. 데이터의 종류가 방대해질수록 우리가 상상하기 힘든 수십, 수백 차원의 공간에 점들이 찍히게 되는데, 인간은 3차원 세계에 살고 있어 이러한 고차원 데이터를 직관적으로 시각화하기 어렵습니다. 위상수학은 바로 이 지점에서 보이지 않는 고차원 데이터의 구조를 파악하는 실마리를 제공합니다. 기존의 통계학이나 데이터 분석 기법은 주로 고차원의 데이터를 눈에 보이는 저차원으로 축소하는 데 집중해 왔습니다. 선형대수학 등을 활용해 핵심적인 차원만을 남기고 나머지를 덜어내어 가시화하는 방식입니다. 반면 위상적 데이터 분석(TDA)은 차원을 억지로 줄이기보다 데이터가 고차원 공간에서 형성하고 있는 본연의 '모양'에 주목합니다. 평균이나 분산 같은 수치만으로는 파악할 수 없는 기하학적 구조를 유추함으로써 데이터가 숨기고 있는 고유한 의미를 찾아내는 것이 이 분석법의 핵심입니다. 이러한 분석법은 실전 전략 수립에도 유용하게 쓰일 수 있습니다. 농구 선수들의 신체 능력과 경기 기록 등 수십 가지 파라미터를 데이터화하여 고차원 공간에 점으로 뿌려보면, 선수들이 특정 기준에 따라 군집을 이루는 모습을 발견하게 됩니다. 이를 통해 공격이나 수비에 최적화된 그룹을 자동으로 분류하거나, 경기 상황에 따른 맞춤형 교체 전략을 세울 수 있습니다. 데이터 점들이 모여 이루는 구조 자체가 하나의 전략적 자산이 되는 셈입니다. 이는 단순히 숫자를 계산하는 것을 넘어 데이터 사이의 관계망을 형상화하는 과정이라 할 수 있습니다. 최근 인공지능 분야에서 TDA가 주목받는 이유는 AI의 국소적 정보 처리 한계를 극복하기 위해서입니다. 과거의 AI는 이미지의 부분적인 특징에만 집착하여, 판다 사진에 미세한 노이즈를 섞으면 이를 긴팔원숭이로 오판하는 오류를 범하곤 했습니다. 인간이 노이즈에 상관없이 전체적인 형상을 보고 판다임을 알아보는 것과 대조적입니다. TDA는 데이터의 지엽적인 변화에 휘둘리지 않고 전체적인 '전역적(Global) 정보'를 조망하는 위상수학의 특성을 활용합니다. 이를 통해 인공지능이 데이터를 보다 거시적이고 정확하게 이해할 수 있도록 돕습니다. 결국 TDA의 핵심은 무수히 많은 데이터 점들로부터 어떻게 유의미한 '모양'을 정의하고 추출하느냐에 달려 있습니다. 멀리서 보았을 때 데이터들이 이루는 구름 같은 형상 속에서 어떤 연결성을 찾아내고 전개도를 그리느냐가 분석의 성패를 좌우합니다. 연구자들은 각 데이터의 특성에 맞춰 최적의 위상적 모델을 설계하며, 보이지 않는 고차원의 세계를 해석 가능한 형태로 변환합니다. 데이터가 가진 기하학적 본질을 탐구하는 이 여정은 현대 데이터 과학이 직면한 복잡한 문제들을 해결하는 새로운 열쇠가 되고 있습니다.

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..? (2)
카오스재단질토과 + 짧강

[카오스 짧강] 푸앵카레 추측 (Feat. 1차원 공간)

수학자들은 복잡한 문제를 해결하기 위해 가장 단순한 형태인 1차원부터 탐구하기 시작합니다. 특히 유한하고 끝이 없는 공간에 대한 탐구는 푸앵카레 추측의 기초가 됩니다. 이러한 조건에 완벽히 부합하는 모델이 바로 원입니다. 원은 어느 지점에서 출발하더라도 유한한 시간 내에 제자리로 돌아올 수 있으며, 경계에 부딪히지 않고 무한히 나아갈 수 있는 구조를 가집니다. 수학자들은 이를 1차원 구라고 명명하며 가장 단순한 형태의 닫힌 공간으로 정의하고 있습니다. 위상수학에서는 공간의 외형적인 모양보다 연결 상태나 구조적 특징에 집중합니다. 삼각형이나 사각형을 끊지 않고 부드럽게 변형하여 원으로 만들 수 있다면, 이들은 모두 동일한 위상적 성질을 가진 것으로 봅니다. 이러한 관점은 복잡한 기하학적 대상을 단순화하여 분석할 수 있게 해줍니다. 겉으로 보기에는 전혀 다른 형태일지라도 그 내면에 흐르는 수학적 원리가 같다면 하나의 범주로 묶어 연구하는 것이 위상수학의 핵심적인 접근 방식이라고 할 수 있습니다. 이러한 수학적 통찰의 이면에는 푸앵카레라는 인물의 독특한 면모가 숨어 있습니다. 그는 뛰어난 천재였음에도 불구하고 그림 실력이 형편없기로 유명했는데, 이는 시각적인 정확함보다 추상적인 논리와 구조를 중시했던 그의 사고방식을 잘 보여줍니다. 수학자들이 정의하는 공간은 우리가 눈으로 보는 직관적인 이미지와 차이가 있을 수 있습니다. 이러한 간극을 메우기 위해 도입된 추상적인 조건들은 때로 어려운 난제가 되지만, 동시에 새로운 차원의 세계를 이해하는 열쇠가 되기도 합니다. 현대 데이터 과학에서 차원의 개념은 매우 중요하게 다루어집니다. 예를 들어 100×100 해상도의 사진 한 장은 만 개의 픽셀 정보를 담고 있으며, 이는 만 차원 공간에 존재하는 하나의 점으로 치환될 수 있습니다. 우리가 사물을 한 바퀴 돌며 수천 장의 사진을 찍는다면, 이는 고차원 공간 속에 수많은 점을 찍는 것과 같습니다. 이처럼 방대한 데이터를 기하학적인 공간의 점으로 이해하는 방식은 복잡한 정보를 체계적으로 분석하고 시각화하는 데 결정적인 역할을 수행합니다. 고차원 공간에 흩어진 사진 데이터들을 연결하면 흥미로운 결과가 나타납니다. 사물을 회전시키며 연속적으로 촬영한 데이터들은 결국 하나의 닫힌 곡선 형태를 띠게 됩니다. 즉, 만 차원이라는 거대한 공간 속에서도 데이터의 본질적인 흐름은 1차원 원의 구조를 형성하는 것입니다. 결론적으로 유한하고 끝이 없는 1차원 공간은 원과 그 변형된 형태들뿐입니다. 수학자들은 이러한 모델링을 통해 복잡한 현실의 데이터를 단순한 기하학적 구조로 환원하여 그 법칙을 명확히 규명해 나갑니다.

[카오스 짧강] 푸앵카레 추측 (Feat. 1차원 공간)
카오스재단질토과 + 짧강

[카오스 짧강] TDA의 활용 사례 (의료, 스포츠)

위상 데이터 분석(TDA)은 데이터의 기하학적 구조를 파악하여 복잡한 정보 속에서 유의미한 패턴을 찾아내는 혁신적인 기술입니다. 과거 할리우드 배우 안젤리나 졸리가 유방암 예방 차원에서 수술을 받았을 당시에는 유전자 검사와 가족력에 기반한 모험적인 판단이 주를 이루었습니다. 하지만 오늘날 TDA를 활용하면 특정 개인의 생체 데이터가 어떤 군집에 속하는지 정밀하게 판단할 수 있습니다. 이는 단순히 질병의 유무를 확인하는 진단을 넘어, 미래의 발병 가능성을 예측하는 시대로의 전환을 의미합니다. 수학적 분석을 통해 데이터의 모양을 살핌으로써 예방적 차원의 의사결정을 더욱 체계적으로 돕는 것입니다. TDA의 핵심은 단순히 분석 속도를 높이거나 정확도를 개선하는 것에 그치지 않고, 데이터를 바라보는 새로운 시각을 제공한다는 점에 있습니다. 고차원 데이터는 수많은 변수가 얽혀 있어 기존의 방식으로는 그 본질적인 구조를 파악하기 어렵습니다. TDA는 이러한 데이터들이 형성하는 '모양'에 주목하여, 우리가 미처 발견하지 못했던 연결 고리를 찾아냅니다. 이는 정답이 정해져 있지 않은 복잡한 현실 세계의 문제를 해결하는 데 있어 매우 유용한 도구가 됩니다. 수치 뒤에 숨겨진 데이터의 위상학적 특징을 분석함으로써, 기존 통계학적 방법론이 놓치기 쉬운 세밀한 부분까지 포착하여 데이터의 진정한 의미를 해석할 수 있게 해줍니다. 이러한 분석 기법은 스포츠 분야에서도 놀라운 결과를 보여주었습니다. 선수들의 출전 시간과 득점력 등 수십 가지의 변수를 분석한 결과, 감독들이 직관적으로 수행하던 선수 조합과 운영 방식이 데이터상으로도 실재함을 입증했습니다. 공격이나 수비에 특화된 세부적인 역할 모델을 데이터의 기하학적 구조를 통해 확인한 것입니다. 이처럼 TDA는 의료와 스포츠를 넘어 다양한 분야에서 인간의 경험을 과학적으로 뒷받침하고, 복잡한 정보 속에서 새로운 통찰력을 이끌어내는 강력한 수단으로 자리 잡고 있습니다. 데이터의 형태를 통해 현상의 본질을 꿰뚫는 이 기술은 앞으로 더 많은 영역에서 그 가치를 증명할 것입니다.

[카오스 짧강] TDA의 활용 사례 (의료, 스포츠)
카오스재단질토과 + 짧강

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..?

위상수학적 데이터 분석(TDA)은 빅데이터를 바라보는 새로운 철학을 제시합니다. 기존의 통계학이 데이터의 수치적 특성과 분포에 집중했다면, TDA는 데이터가 형성하는 '모양' 그 자체에 중요한 정보가 담겨 있다고 믿습니다. 예를 들어, 흩어져 있는 데이터 포인트들 주위에 원을 그리고 그 반지름을 점차 키워나가면, 데이터 포인트들이 서로 연결되면서 특정한 구조를 형성하게 됩니다. 이러한 과정을 통해 데이터의 분포 상태를 기하학적으로 파악할 수 있으며, 이는 단순한 통계 수치로는 발견하기 어려운 데이터의 본질적인 성질을 드러내 줍니다. 데이터의 모양을 분석할 때는 연결 성분의 개수나 구멍의 존재 여부와 같은 위상수학적 불변량을 활용합니다. 데이터 포인트들 사이의 거리에 따라 원의 크기를 조절하면, 분리되어 있던 데이터 포인트들이 하나로 합쳐지거나 중간에 빈 공간이 생기는 등 구조적 변화가 일어납니다. 이러한 변화의 흐름을 수열로 표현하면 데이터의 고유한 특성을 나타내는 일종의 지문이 됩니다. 수백만 개의 복잡한 데이터 포인트라도 이러한 불변량을 추출하면 그 안에 숨겨진 규칙성을 명확하게 파악할 수 있으며, 이는 서로 다른 데이터 집합을 분류하고 비교하는 강력한 도구가 됩니다. 이러한 분석법은 고차원 정보를 다루는 다양한 분야에서 유용하게 활용될 수 있습니다. 복잡한 지표들을 하나의 데이터 포인트로 표현하여 거대한 데이터 클러스터를 형성하고, 그 모양을 통해 유의미한 패턴을 분류해내는 것입니다. 여기서 핵심은 '지속성(Persistence)'이라는 개념으로, 연결 강도를 변화시킬 때 데이터의 위상적 성질이 얼마나 오랫동안 유지되는지를 관찰하는 것입니다. 기본군과 같은 위상수학적 개념을 통해 데이터의 구멍이나 연결성을 추적함으로써, 우리는 복잡한 빅데이터의 구조를 더욱 깊이 있게 이해할 수 있게 됩니다.

[카오스 짧강] 위상수학적 데이터 분석법, TDA란..?
카오스재단질토과 + 짧강

[강연] 위상수학의 놀라운 응용: 데이터도 모양이 있다? 2_by 최수영 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 9강 두 번째 이야기 | 9강 ②

위상수학은 단순히 공간의 성질을 분류하는 것을 넘어, 불변량을 통해 보이지 않는 공간의 형태를 추론하는 단계로 진화하고 있습니다. 과거에는 두 공간이 왜 다른지를 설명하는 데 집중했다면, 이제는 구멍의 개수와 같은 불변량을 역으로 계산하여 전체적인 구조를 파악하려 합니다. 이는 마치 복잡한 수식을 인수분해하여 본질을 찾아내는 과정과 유사하며, 우리가 직접 관찰할 수 없는 고차원 우주나 복잡한 데이터의 형상을 이해하는 강력한 도구가 됩니다. 이러한 추론의 핵심 도구 중 하나가 바로 '베티수'입니다. 이탈리아 수학자 엔리코 베티의 이름을 딴 이 수치는 오일러 지표를 일반화한 개념으로, 공간의 연결 상태와 구멍의 개수를 수치화합니다. 예를 들어 덩어리의 개수를 나타내는 제0 베티수와 고리 형태의 구멍을 뜻하는 제1 베티수를 통해 우리는 대상의 위상적 특징을 명확히 정의할 수 있습니다. 이는 눈에 보이지 않는 추상적인 공간을 수학적 언어로 형상화하여 분석할 수 있게 해주는 중요한 지표가 됩니다. 현대 사회의 방대한 데이터 역시 고차원 공간상의 점들로 이해할 수 있습니다. 개인의 신체 정보나 행동 패턴 등 수많은 변수는 각각 하나의 차원이 되어 우리가 인지할 수 없는 복잡한 공간에 위치하게 됩니다. 위상적 데이터 분석(TDA)은 바로 이 지점에서 빛을 발합니다. 고차원에 흩어진 데이터 점들이 이루는 거대한 '구름'의 모양을 베티수와 같은 불변량으로 계산함으로써, 데이터 이면에 숨겨진 구조와 의미를 시각적 한계를 넘어 파악할 수 있게 돕습니다. 기존의 통계 분석이 주로 차원을 축소하거나 평균과 분산을 통해 데이터를 요약했다면, TDA는 데이터가 가진 본래의 기하학적 형상을 보존하며 분석합니다. 데이터가 원형인지 혹은 Y자 형태인지에 따라 그 의미가 완전히 달라질 수 있기 때문입니다. 단순히 수치적인 상관관계를 찾는 것을 넘어, 데이터 공간의 전체적인 구성을 유추함으로써 기존 방식으로는 발견하기 어려웠던 새로운 통찰을 제공합니다. 이는 복잡한 시스템 내의 숨겨진 패턴을 찾는 혁신적인 접근법이라 할 수 있습니다. 인공지능 분야에서도 위상수학의 역할은 점차 커지고 있습니다. 현재의 AI는 주로 데이터의 국소적인 정보에 의존하여 학습하기 때문에, 미세한 노이즈만으로도 판다를 긴팔원숭이로 오인하는 등의 한계를 보입니다. 반면 인간은 사물의 전체적인 맥락과 형태를 파악하는 '전역적 정보'를 활용합니다. TDA는 인공지능에게 이러한 거시적인 관점을 제공하여 모델의 안정성과 정확도를 높이는 데 기여합니다. 부분에 매몰되지 않고 전체를 조망하는 위상수학의 철학이 기술에 녹아드는 셈입니다. 구체적인 분석 기법으로는 '비토리스-립스 복합체'가 널리 쓰입니다. 이는 데이터 점들 사이의 거리가 특정 임계값보다 가까워지면 서로 연결하여 점차 복잡한 형상을 만들어가는 과정입니다. 임계값을 변화시키며 베티수의 변화를 관찰하면, 노이즈처럼 금방 사라지는 특징과 데이터의 본질을 담고 있어 끝까지 유지되는 특징을 구분할 수 있습니다. 이러한 '지속성'의 개념을 통해 우리는 수많은 데이터 속에서 유의미한 위상적 구조를 추출하고 이를 실질적인 정보로 변환하게 됩니다. 위상수학의 응용은 의료 진단부터 토목 공학에 이르기까지 광범위합니다. 유방암이나 당뇨병의 예측 알고리즘을 정교화하는 것은 물론, 지표 투과 레이더 데이터를 분석하여 싱크홀의 원인이 되는 지하 동공을 찾아내는 데에도 활용됩니다. 순수 수학의 영역으로만 여겨졌던 위상수학이 산업 현장의 난제를 해결하는 실용적인 도구로 진화한 것입니다. 인류가 기하학을 통해 문명을 일구었듯, 이제는 위상수학을 통해 복잡한 데이터 시대를 항해하는 새로운 지혜를 얻고 있습니다.

[강연] 위상수학의 놀라운 응용: 데이터도 모양이 있다? 2_by 최수영 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 9강 두 번째 이야기

최수영

카오스재단2024 카오스강연 '세상에 나쁜 수학은 없다'
  • 수학

[연구뭐하지?] 정성규 교수_서울대학교 '통계적학습이론 연구실' | 통계에도 차원이 있다!?

21세기에 들어서며 데이터의 질과 양이 폭발적으로 증가함에 따라 통계학은 새로운 국면을 맞이했습니다. 과거에는 흔치 않았던, 변수의 수는 방대하지만 표본의 수는 상대적으로 적은 고차원 데이터 분석이 중요해진 것입니다. 특히 데이터가 일반적인 수치 형태를 넘어 이미지나 영상과 같은 복잡한 구조를 가질 때, 이를 '다양체(Manifold)'라는 기하학적 개념 위에서 분석하는 방법론과 이론적 토대를 마련하는 연구가 활발히 진행되고 있습니다. 현대 통계학의 핵심 분야 중 하나인 다변량 통계학에서는 수많은 변수 사이의 관계를 효과적으로 파악하는 것이 관건입니다. 연구자들은 주성분 분석(PCA)을 중심으로, 다양한 조건에서도 데이터의 특성을 합리적이고 효율적으로 추출할 수 있는 모델을 개발하고 있습니다. 이는 단순히 데이터를 요약하는 수준을 넘어, 복잡한 데이터 구조 속에 숨겨진 유의미한 패턴을 찾아내고 분석의 정확도를 높이는 데 필수적인 역할을 수행합니다. 이러한 통계적 이론은 실제 응용 분야에서 강력한 힘을 발휘합니다. 예를 들어 유전체 데이터 분석에서는 방대한 양의 유전 정보를 효과적으로 통합하거나 분류하여 질병의 원인을 규명하는 데 기여합니다. 또한 고차원 데이터의 군집화(Clustering) 연구를 통해 유사한 특성을 가진 집단을 정교하게 구분해내기도 합니다. 이론적 연구와 실무적 응용이 조화를 이루며, 막연하게 느껴질 수 있는 데이터 분석의 과정을 구체적이고 과학적인 방법론으로 바꾸어 나가는 과정입니다. 최근 인공지능과 딥러닝 기술이 급격히 발전하면서 통계학의 중요성은 더욱 강조되고 있습니다. 전문가의 직관이나 감에 의존하던 과거의 방식에서 벗어나, 철저히 데이터 근거 중심의 분석을 수행하기 위해서는 통계적 기초가 탄탄해야 합니다. 딥러닝 모델의 결과나 성능을 객관적으로 평가하고 개선하는 과정에서도 통계적 관점은 필수적입니다. 따라서 통계학은 학술적인 깊이를 더할 뿐만 아니라 실전에서도 매우 유용한 도구로 자리매김하고 있습니다. 통계학은 그 자체로 독립된 학문이면서도 다른 어떤 분야와도 유연하게 결합할 수 있는 확장성을 지니고 있습니다. 생물통계나 경제통계처럼 다양한 학문 뒤에 '통계'라는 이름을 붙여도 어색하지 않은 이유는, 통계학이 데이터를 다루는 보편적인 언어이기 때문입니다. 수학적 엄밀함부터 컴퓨터를 활용한 실전 분석까지 넓은 스펙트럼을 가진 학문인 만큼, 한 가지 분야에 매몰되지 않고 다양한 시각으로 자료를 바라보는 태도가 현대의 연구자들에게 요구됩니다.

[연구뭐하지?] 정성규 교수_서울대학교 '통계적학습이론 연구실'  |  통계에도 차원이 있다!?

정성규

카오스재단연구뭐하지
  • 수학

[강연] 디지털인문학과 데이터과학 (1) _ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강 | 4강 ①

현대 사회는 그야말로 정보의 홍수 속에 살고 있습니다. 2003년까지 인류가 축적한 전체 데이터의 양이 이제는 단 이틀 만에 생성될 정도로 그 규모가 거대해졌습니다. 이러한 빅데이터 시대에 무엇보다 중요한 것은 단순히 데이터의 양이 아니라, 그 속에서 유용한 정보를 찾아내는 분석 능력입니다. 과거에는 정보가 부족해서 문제였다면, 이제는 너무 많은 정보 중에서 우리에게 진짜 필요한 가치를 추출하는 데이터 과학의 역할이 강조되고 있습니다. 이는 마치 거대한 원석에서 보석을 찾아내는 과정과도 같습니다. 통계학적 관점에서 데이터는 구조에 따라 크게 두 가지 형태로 나뉩니다. 수많은 고객의 소비 패턴을 분석하는 신용카드 데이터처럼 항목보다 관측치가 압도적으로 많은 '길쭉한 자료'가 그 첫 번째입니다. 반대로 유전자 분석처럼 대상은 적지만 분석해야 할 항목이 수만 개에 달하는 '뚱뚱한 자료', 즉 고차원 데이터가 존재합니다. 이러한 데이터의 구조적 차이를 명확히 이해하는 것은 현대 데이터 과학이 직면한 복잡한 문제들을 해결하는 출발점이자, 상황에 맞는 효율적인 분석 모델을 설계하는 데 있어 가장 핵심적인 기초가 됩니다. 빅데이터 분석의 가장 흥미로운 점 중 하나는 인과관계보다 연관성에 주목한다는 것입니다. 트위터에 올라오는 사람들의 기분 변화가 주가 흐름과 높은 상관관계를 보이거나, 검색어 빈도를 통해 독감 유행을 예측하는 사례가 대표적입니다. 물론 구글 독감 예측의 실패 사례처럼 데이터의 구조 변화나 알고리즘의 한계로 인해 오류가 발생하기도 합니다. 하지만 이러한 시행착오를 거쳐 모델을 보정하고 정교화하는 과정 자체가 데이터 과학이 더욱 정밀한 학문으로 발전해 나가는 중요한 동력이 되고 있습니다. 최근 '데이터 사이언티스트'는 21세기 가장 매력적인 직업으로 꼽히며 큰 주목을 받고 있습니다. 과거의 통계학자가 다소 딱딱하고 지루한 이미지로 인식되었다면, 데이터 사이언티스트는 방대한 자료 속에서 새로운 가치를 창출하는 창의적인 전문가로 받아들여집니다. 실제로 구글 트렌드 분석을 보면 통계학자라는 용어의 사용은 점차 줄어드는 반면, 데이터 사이언티스트에 대한 대중의 관심은 급증하고 있습니다. 이는 데이터 분석이 단순한 수치 계산을 넘어 사회 전반의 문제를 해결하는 핵심 도구로 자리 잡았음을 보여줍니다. 데이터 과학의 영역은 이제 숫자의 세계를 넘어 인문학의 영역까지 확장되고 있습니다. '디지털 인문학'은 구글 도서관 프로젝트처럼 방대한 문헌을 디지털화하여 정량적으로 분석하는 새로운 학문 분야입니다. 이를 통해 셰익스피어 작품의 진위 여부를 가리거나 이름 없는 연설문의 작성자를 추론하는 '양식 측정학' 연구가 가능해졌습니다. 숫자로 검증할 수 없을 것 같던 인문학적 가치들이 데이터를 만나면서, 우리는 인류의 문화적 유산을 더욱 객관적이고 다각적인 시각으로 바라볼 수 있는 새로운 창을 갖게 되었습니다.

[강연] 디지털인문학과 데이터과학 (1) _ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강

장원철

카오스재단카오스강연
  • 수학