Merge branch 'update'

djccnt15 · Aug 12, 2024 · b62255e · b62255e
2 parents bd94c25 + 957f9df
commit b62255e
Show file tree

Hide file tree

Showing 107 changed files with 883 additions and 267 deletions.
diff --git a/docs/blog/posts/2022-01-02-customize_minimal_mistakes.md b/docs/blog/posts/2022-01-02-customize_minimal_mistakes.md
@@ -26,8 +26,8 @@ Minimal Mistakes 테마 커스터마이징 방법
 ### 1-1. 스킨 수정
 
 스킨을 수정하고 싶을 때는  
-1. `/assets/css/main.scss`에 입력해서 오버라이드 하거나  
-2. `/_sass/minimal-mistakes/skins`에서 각 스킨들을 직접 건드리면 된다.  
+1. `/assets/css/main.scss`에 입력해서 오버라이드 하거나
+1. `/_sass/minimal-mistakes/skins`에서 각 스킨들을 직접 건드리면 된다.
 
 나는 default 스킨만 조금 수정하고 다른 스킨들은 건드리기 싫어서 `/_sass/minimal-mistakes/skins/_default.scss`에 아래와 같은 내용을 추가해줬다.
 
@@ -66,7 +66,7 @@ $navicon-link-color-hover: mix(#fff, $text-color, 80%) !default;
 ### 1-2. 줄간격 조정
 
 Minimal Mistakes는 기본 줄간격이 너무 좁아 가독성이 떨어진다. 줄간격을 조정하려면 `/_sass/_page.scss`를 수정해주면 된다.  
-나는 아래와 같이 `.page__content`의 `p`에 `line-height`를 추가해서 문단 스타일을 수정했다.
+나는 아래와 같이 `.page__content`의 `p`에 `line-height`를 추가해서 문단 스타일을 수정했다.  
 
 ```scss title="_page.scss"
 .page__content {
@@ -225,7 +225,7 @@ GitHub Pages에 수학식을 출력하는 방법은 여러 가지가 있는데,
 </script>
 ```
 
-`/_layouts/default.html`의 `<head>` 부분에 아래 내용 추가
+`/_layouts/default.html`의 `<head>` 부분에 아래 내용 추가  
 
 ```html title="default.html"
 <html>
@@ -236,17 +236,17 @@ GitHub Pages에 수학식을 출력하는 방법은 여러 가지가 있는데,
   </head>
 ```
 
-수식을 사용할 포스트의 `YFM`을 아래와 같이 설정 
+수식을 사용할 포스트의 `YFM`을 아래와 같이 설정  
 
 ```yaml
 mathjax: true
 ```
 
-글 작성 시 수식 입력 방법은 [여기](2022-01-04-blog_markdown.md/#수식-입력)에서 확인할 수 있다.
+글 작성 시 수식 입력 방법은 [여기](./2022-01-04-blog_markdown.md/#수식-입력)에서 확인할 수 있다.  
 
 ## 4. favicon 설정
 
-`/assets/images/logo.ico` 폴더에 favicon 파일들 저장 후 `/_includes/head/custom.html`에 아래 내용 추가
+`/assets/images/logo.ico` 폴더에 favicon 파일들 저장 후 `/_includes/head/custom.html`에 아래 내용 추가  
 
 ```html title="custom.html"
 <link rel="apple-touch-icon" sizes="180x180" href="/assets/logo.ico/apple-touch-icon.png">
@@ -339,7 +339,7 @@ gem 'tzinfo'
 gem 'tzinfo-data', platforms: [:mingw, :mswin, :x64_mingw]
 ```
 
-Minimal Mistakes의 [Configuration](https://mmistakes.github.io/minimal-mistakes/docs/configuration/) 문서에 따르면 default는 os에 설정된 local timezone으로 설정되어 있기 때문에 어지간해서는 굳이 설정할 필요는 없다.
+Minimal Mistakes의 [Configuration](https://mmistakes.github.io/minimal-mistakes/docs/configuration/) 문서에 따르면 default는 os에 설정된 local timezone으로 설정되어 있기 때문에 어지간해서는 굳이 설정할 필요는 없다.  
 
 ---
 ## Reference

diff --git a/docs/blog/posts/2022-01-03-googling_stuff_online.md b/docs/blog/posts/2022-01-03-googling_stuff_online.md
@@ -19,7 +19,7 @@ tags:
 
 언젠가부터 아래와 같은 meme이 웹 상에 떠돌아다닌다.  
 
-![googling_stuff_online_does_not_make_you_a_doctor](img/googling_stuff_online_does_not_make_you_a_doctor.jpg){ loading=lazy }
+![googling_stuff_online_does_not_make_you_a_doctor](./img/googling_stuff_online_does_not_make_you_a_doctor.jpg){ loading=lazy }
 
 구글링이 의사를 만들어주지는 않지만, 프로그래머는 만들어준다는 의미인데 나에게 너무 잘 맞는 말로 느껴진다.  
 

diff --git a/docs/blog/posts/2022-01-04-blog_markdown.md b/docs/blog/posts/2022-01-04-blog_markdown.md
@@ -40,10 +40,10 @@ GitHub Pages 작성에 유용한 마크다운 팁 정리
 이미지를 삽입하려면 이미지를 어딘가에 업로드 하고 링크를 걸면 된다.  
 
 ```
-![yagongman_Dijkstra](img/yagongman_Dijkstra.png)
+![yagongman_Dijkstra](./img/yagongman_Dijkstra.png)
 ```
 
-![yagongman_Dijkstra](img/yagongman_Dijkstra.png){ loading=lazy }
+![yagongman_Dijkstra](./img/yagongman_Dijkstra.png){ loading=lazy }
 
 ### 동영상 삽입
 

diff --git a/docs/blog/posts/2022-01-06-about_PEP.md b/docs/blog/posts/2022-01-06-about_PEP.md
@@ -60,7 +60,7 @@ Namespaces are one honking great idea -- let's do more of those!
 
 시적이기도 한 내용이 나오는데, 아마도 이런 철학이 python만의 pythonic한 문화를 만드는데 기반이 되지 않았을까 한다.  
 
-![python_pep](img/python_pep.png){ loading=lazy }
+![python_pep](./img/python_pep.png){ loading=lazy }
 
 ## 2. PEP 8 - Style Guide for Python Code
 

diff --git a/docs/blog/posts/2022-01-08-count_runtime.md b/docs/blog/posts/2022-01-08-count_runtime.md
@@ -50,7 +50,7 @@ print(time_end - time_start)
 
 ## 3. 💡with 사용
 
-아래와 같이 `with` 문법을 통해 특정 구간의 실행 시간을 간편하게 측정할 수 있다. 자세한 내용은 [with 문법 심화 활용 포스팅](2023-11-25-understanding_with.md) 참고  
+아래와 같이 `with` 문법을 통해 특정 구간의 실행 시간을 간편하게 측정할 수 있다. 자세한 내용은 [with 문법 심화 활용 포스팅](./2023-11-25-understanding_with.md) 참고  
 
 ```python
 import contextlib

diff --git a/docs/blog/posts/2022-01-08-csv_encoding.md b/docs/blog/posts/2022-01-08-csv_encoding.md
@@ -21,7 +21,7 @@ pandas로 csv 인코딩 바꾸기
 
 인터넷에서 가져온 csv 파일의 경우 아래와 같이 인코딩 문제로 다 깨져서 나오는 경우가 많다.  
 
-![scrap_result_2021](img/scrap_result_2021.png){ loading=lazy }
+![scrap_result_2021](./img/scrap_result_2021.png){ loading=lazy }
 
 이럴 때는 메모장으로 열어서 인코딩을 `ANSI`나 `UTF-8(BOM)`으로 변경하여 저장하면 되기는 하는데, pandas를 사용해서 바꿔주려면 아래와 같이 `encoding` 파라미터를 `'utf-8-sig'`로 지정해주면 된다.  
 
@@ -34,7 +34,7 @@ df.to_csv('FILE_NAME.csv', encoding='utf-8-sig')
 
 결과물은 아래와 같다.  
 
-![scrap_result_2021_encoded.png](img/scrap_result_2021_encoded.png){ loading=lazy }
+![scrap_result_2021_encoded.png](./img/scrap_result_2021_encoded.png){ loading=lazy }
 
 ---
 ## Reference

diff --git a/docs/blog/posts/2022-01-08-handling_os.md b/docs/blog/posts/2022-01-08-handling_os.md
@@ -46,7 +46,7 @@ C:\projects
 
 ## 3. system()
 
-각종 system 명령어를 실행한다. 자주 쓰는 system 명령어는 [여기](2022-01-13-manual_cmd.md)서 확인할 수 있다.  
+각종 system 명령어를 실행한다. 자주 쓰는 system 명령어는 [여기](./2022-01-13-manual_cmd.md)서 확인할 수 있다.  
 예시로 코드를 중간에 잠시 일시 정지 시키고 싶을 때는 아래와 같이 하면 된다.  
 
 ```python

diff --git a/docs/blog/posts/2022-01-19-linear_regression.md b/docs/blog/posts/2022-01-19-linear_regression.md
@@ -148,4 +148,4 @@ axes.legend()
 plt.show()
 ```
 
-![simple_linear_regression](img/simple_linear_regression.png){ loading=lazy }
+![simple_linear_regression](./img/simple_linear_regression.png){ loading=lazy }
diff --git a/docs/blog/posts/2022-01-21-pd_pivot_table.md b/docs/blog/posts/2022-01-21-pd_pivot_table.md
@@ -167,7 +167,7 @@ yes   no          6540  3968.000000  2175      15
 
 ## 2. pandas.DataFrame.groupby
 
-`groupby`는 `pivot_table`과 비슷한 기능을 하는 `DataFrame`의 메서드로 SQL의 [GROUP BY](2022-08-13-sql_where_groupby.md/#3-group-by) 명령어와 유사하게 작동한다. `pandas.DataFrame.groupby`의 주요 파라미터는 아래와 같다.  
+`groupby`는 `pivot_table`과 비슷한 기능을 하는 `DataFrame`의 메서드로 SQL의 [GROUP BY](./2022-08-13-sql_where_groupby.md/#3-group-by) 명령어와 유사하게 작동한다. `pandas.DataFrame.groupby`의 주요 파라미터는 아래와 같다.  
 
 - `by`: 요약될 칼럼
 - `axis`: 0 or 'index', 1 or 'columns'

diff --git a/docs/blog/posts/2022-01-23-regression_statsmodels.md b/docs/blog/posts/2022-01-23-regression_statsmodels.md
@@ -227,7 +227,7 @@ res = smf.ols(formula='Lottery ~ np.log(Literacy)', data=df).fit()
     - BIC: AIC와 유사하나 패널티를 부여하여 AIC보다 모델 평가 성능이 더 좋으며, 수치가 낮을수록 좋음
 
 - **coef: 변수의 coefficient(계수)**, 각 독립변수가 종속변수의 변화에 미치는 영향의 정도
-- std err: 계수의 [표준오차](2023-02-15-sampling_distribution.md/#1-3-표본분포)(표본 통계량의 표준편차), 값이 작을수록 좋음
+- std err: 계수의 [표준오차](./2023-02-15-sampling_distribution.md/#1-3-표본분포)(표본 통계량의 표준편차), 값이 작을수록 좋음
 - t: 독립변수와 종속변수간에 선형관계(관련성)가 존재하는 정도, 값이 클수록 상관도가 큼
     - t 값이 크다 = 표준편차가 작다 = 독립-종속변수 간 상관도 높음
     - t 값이 작다 = 표준편차가 크다 = 독립-종속변수 간 상관도 낮음

diff --git a/docs/blog/posts/2022-01-24-regression_assumption.md b/docs/blog/posts/2022-01-24-regression_assumption.md
@@ -65,7 +65,7 @@ sns.pairplot(
 plt.show()
 ```
 
-![iris_pairplot](img/iris_pairplot.png){ loading=lazy }
+![iris_pairplot](./img/iris_pairplot.png){ loading=lazy }
 
 만약 Sepal_Length를 예측하려고 하는 종속변수라고 한다면, 위 그래프를 보았을 때 Sepal_Length와 대략적인 선형관계를 이루고 있는 변수는 Petal_Length와 Petal_Width이고, 선형성을 만족하지 않는 것은 Sepal_Width인 것으로 보인다.  
 
@@ -128,7 +128,7 @@ sns.pairplot(
 plt.show()
 ```
 
-![iris_pairplot](img/iris_pairplot_2.png){ loading=lazy }
+![iris_pairplot](./img/iris_pairplot_2.png){ loading=lazy }
 
 Petal_Length와 Petal_Width의 영향도를 제거한 Rest_Sepal_Width를 Sepal_Width와 비교해보면 선형성이 아주 약간 생긴 것을 확인할 수 있다.  
 
@@ -220,7 +220,7 @@ ax = sns.heatmap(
 plt.show()
 ```
 
-![iris_corr](img/iris_corr.png){ loading=lazy }
+![iris_corr](./img/iris_corr.png){ loading=lazy }
 
 Petal_Length와 Petal_Width의 상관성이 0.96으로 매우 높게 나오는데, 독립변수 간의 상관성이 있을 경우 다중공선성(Multicollinearity)이 있다고 표현되며, 분산팽창요인(VIF, Variance Inflation Factors)을 통해 다중공선성을 계산할 수 있다.  
 VIF를 계산하는 공식은 아래와 같고, ${R^{2}_{i}}$은 $i$ 번째 독립변수에 대해 다른 독립변수들로 회귀분석을 시행한 선형 모델의 $R^{2}$라는 뜻이다.  

diff --git a/docs/blog/posts/2022-04-01-iqr_method.md b/docs/blog/posts/2022-04-01-iqr_method.md
@@ -53,7 +53,7 @@ scikit-learn 패키지의 경우 **outlier detection**와 **novelty detection**
 
 앞서 소개한 네 가지 이상점 처리 방법 중에 가장 편하게 많이 사용되는 방식은 $IQR$ 방식의 이상점 탐지 및 제거로, 기본 원리는 아래 그림과 같다.  
 
-![IQR](img/iqr.jpg){ loading=lazy }  
+![IQR](./img/iqr.jpg){ loading=lazy }  
 ^[출처: Interquartile Range (IQR): What it is and How to Find it](https://www.statisticshowto.com/probability-and-statistics/interquartile-range/)^
 
 $IQR$이란 **InterQuartile Range(사분위수 범위)**의 약자로, 데이터를 순서대로 나열했을 때 25% 지점(1분위수)에 있는 데이터와 75% 지점(3분위수)에 있는 데이터의 차이를 말하며, 위 그림에서 볼 수 있듯이, $IQR$ 방식에서 정상 데이터로 분류될 범위를 계산하는 방식은 아래와 같다.
@@ -70,7 +70,7 @@ $$
 
 ### 2-1. IQR 방식에서 IQR의 계수로 1.5를 사용하는 이유
 
-![Normal Distribution](img/Normal-Distribution-curve.jpg){ loading=lazy }  
+![Normal Distribution](./img/Normal-Distribution-curve.jpg){ loading=lazy }  
 ^[출처: 9 Real Life Examples Of Normal Distribution](https://studiousguy.com/real-life-examples-normal-distribution/)^
 
 통계학 기본을 공부 했다면 위 그림과 같은 표준 정규분포 그래프를 본 적이 있을 텐데, 약 $\pm 2 \sigma$에서 95%, 약 $\pm 3 \sigma$에서 99% 수준으로 표준 정규분포에 들어가게 되고, 분야에 따라 다르지만 일반적으로 $\pm 3 \sigma$를 의미 있는 데이터로 본다. ([표준정규분포표 보러가기](https://en.wikipedia.org/wiki/Standard_normal_table#Cumulative(less_than_Z)))
@@ -134,7 +134,7 @@ $$
 좀 더 정확한 계산값을 사용하고 싶을 때는 $1.7$을 계수로 사용하면 정상 데이터의 범위가 $\pm 2.97 \sigma$이 되어 $\pm 3 \sigma$에 좀 더 가까운 결과가 나오게 된다.  
 
 !!! note
-    실제 데이터의 분포에 상관없이 표준 정규분포를 가정하고 IQR 방식을 사용할 수 있는 이유는 [중심극한정리](2023-02-15-sampling_distribution.md/#2-2-중심극한정리)[^1]가 이론적 배경이라고 한다. 중심극한정리는 모집단이 어떤 분포를 가지고 있던지 간에 (모집단 분포가 어떤 모양이던 상관없이) 일단 표본의 크기가 충분히 크다면 표본평균들의 분포가 모집단의 모수를 기반으로한 정규분포를 이룬다는 정리이다.  
+    실제 데이터의 분포에 상관없이 표준 정규분포를 가정하고 IQR 방식을 사용할 수 있는 이유는 [중심극한정리](./2023-02-15-sampling_distribution.md/#2-2-중심극한정리)[^1]가 이론적 배경이라고 한다. 중심극한정리는 모집단이 어떤 분포를 가지고 있던지 간에 (모집단 분포가 어떤 모양이던 상관없이) 일단 표본의 크기가 충분히 크다면 표본평균들의 분포가 모집단의 모수를 기반으로한 정규분포를 이룬다는 정리이다.  
 
 [^1]: [위키피디아 - 중심 극한 정리](https://ko.wikipedia.org/wiki/%EC%A4%91%EC%8B%AC_%EA%B7%B9%ED%95%9C_%EC%A0%95%EB%A6%AC)
 

diff --git a/docs/blog/posts/2022-05-01-linear_algebra_vector_scalar.md b/docs/blog/posts/2022-05-01-linear_algebra_vector_scalar.md
@@ -56,7 +56,7 @@ $$
 
 두 벡터의 합 $\textbf{u} + \textbf{v}$는 $\textbf{u}$의 종점에 $\textbf{v}$의 시점을 일치시켰을 때, $\textbf{u}$의 시점을 시점으로, $\textbf{v}$의 종점을 종점으로 하는 벡터를 뜻하고, 두 백터의 차 $\textbf{u} - \textbf{v}$는 $\textbf{u}$의 시점에 $\textbf{v}$의 시점을 일치시켰을 때, $\textbf{v}$의 종점을 시점으로, $\textbf{u}$의 종점을 종점으로 하는 벡터를 뜻한다.  
 
-![Vector_Addition](img/Vector_Addition.png){ loading=lazy width="50%" }  
+![Vector_Addition](./img/Vector_Addition.png){ loading=lazy width="50%" }  
 ^[출처: wikimedia - Vector_Addition.png](https://commons.wikimedia.org/wiki/File:Vector_Addition.png)^
 
 벡터의 덧셈과 뺄셈은 동일 위치의 각 원소를 더하고 빼는 것으로, 교환 법칙이 성립하며 두 벡터의 크기가 동일할 때(벡터를 구성하는 스칼라의 개수가 동일할 때)만 연산이 가능하다. Python으로 구현하면 아래와 같다.  

diff --git a/docs/blog/posts/2022-05-19-linear_algebra_various_matrix.md b/docs/blog/posts/2022-05-19-linear_algebra_various_matrix.md
@@ -440,7 +440,7 @@ $$
 
 ## 8. 하우스홀더 행렬
 
-**하우스홀더 행렬(householder matrix)**은 모든 열이 [정규 직교(orthonormal)](2022-06-06-linear_algebra_orthogonal_qr_decomposition.md/#1-직교-공간)하는 정사각 행렬로, 아래와 같은 수식을 따르는 행렬 $H$를 말한다.  
+**하우스홀더 행렬(householder matrix)**은 모든 열이 [정규 직교(orthonormal)](./2022-06-06-linear_algebra_orthogonal_qr_decomposition.md/#1-직교-공간)하는 정사각 행렬로, 아래와 같은 수식을 따르는 행렬 $H$를 말한다.  
 
 $$
 \textbf{v} = \begin{bmatrix}
@@ -452,7 +452,7 @@ v_{n}
 \to H = I - 2\frac{\textbf{vv}^{T}}{\textbf{v}^{T}\textbf{v}}
 $$
 
-${\textbf{vv}^{T}}$은 [벡터의 외적](2022-06-09-linear_algebra_various_products.md/#1-외적), ${\textbf{v}^{T}\textbf{v}}$은 [벡터의 내적](2022-06-05-linear_algebra_inner_product_norm.md/#1-내적)을 뜻하기 때문에 하우스홀더 행렬 공식을 Python으로 구현하기 위해서는 벡터의 내적과 외적의 함수를 먼저 구현해야 한다.  
+${\textbf{vv}^{T}}$은 [벡터의 외적](./2022-06-09-linear_algebra_various_products.md/#1-외적), ${\textbf{v}^{T}\textbf{v}}$은 [벡터의 내적](./2022-06-05-linear_algebra_inner_product_norm.md/#1-내적)을 뜻하기 때문에 하우스홀더 행렬 공식을 Python으로 구현하기 위해서는 벡터의 내적과 외적의 함수를 먼저 구현해야 한다.  
 
 === "Python"
 

diff --git a/docs/blog/posts/2022-05-22-linear_algebra_linear_system.md b/docs/blog/posts/2022-05-22-linear_algebra_linear_system.md
@@ -19,7 +19,7 @@ tags:
 
 ## 1. 선형 방정식
 
-**선형 방정식(linear equation)**이란 아래와 같이 변수인 $x_{n}$과 상수인 $\beta_{n}$이 [선형 결합](2022-05-29-linear_algebra_basis_dimension.md/#3-선형-결합과-선형-독립)되어 **선형(linear)**으로 표현 되는 1차 방정식을 말한다.  
+**선형 방정식(linear equation)**이란 아래와 같이 변수인 $x_{n}$과 상수인 $\beta_{n}$이 [선형 결합](./2022-05-29-linear_algebra_basis_dimension.md/#3-선형-결합과-선형-독립)되어 **선형(linear)**으로 표현 되는 1차 방정식을 말한다.  
 
 $$
 \beta_{0} + \beta_{1}x_{1} + \beta_{2}x_{2} + \cdots + \beta_{n}x_{n} = y
@@ -182,9 +182,9 @@ $$
 
 ### 가우스-조르단 소거법
 
-주어진 선형 시스템을 [기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)을 통해 기약 행사다리꼴 행렬의 형태로 만들어 방정식의 해를 구하는 방법을 **가우스-조르단 소거법(Gauss Jordan elimination)**이라고 한다.  
+주어진 선형 시스템을 [기본 행 연산](./2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)을 통해 기약 행사다리꼴 행렬의 형태로 만들어 방정식의 해를 구하는 방법을 **가우스-조르단 소거법(Gauss Jordan elimination)**이라고 한다.  
 
-[Wolfram](https://mathworld.wolfram.com/Gauss-JordanElimination.html)에 따르면 가우스-조르단 소거법은 [역행렬](2022-05-28-linear_algebra_inverse_matrix.md)을 구하기 위한 방법이지만 응용해서 선형 시스템을 해를 구할 때도 사용할 수 있다. 아무튼 Python으로 구현하면 아래와 같다.  
+[Wolfram](https://mathworld.wolfram.com/Gauss-JordanElimination.html)에 따르면 가우스-조르단 소거법은 [역행렬](./2022-05-28-linear_algebra_inverse_matrix.md)을 구하기 위한 방법이지만 응용해서 선형 시스템을 해를 구할 때도 사용할 수 있다. 아무튼 Python으로 구현하면 아래와 같다.  
 
 === "Python"
 

diff --git a/docs/blog/posts/2022-05-23-linear_algebra_determinant.md b/docs/blog/posts/2022-05-23-linear_algebra_determinant.md
@@ -106,13 +106,13 @@ $$
 
 ### 특이한 행렬의 행렬식
 
-[삼각 행렬](2022-05-19-linear_algebra_various_matrix.md/#6-삼각-행렬), [대각 행렬](2022-05-19-linear_algebra_various_matrix.md/#3-대각-행렬)의 행렬식은 주 대각 원소의 곱과 같다.  
+[삼각 행렬](./2022-05-19-linear_algebra_various_matrix.md/#6-삼각-행렬), [대각 행렬](./2022-05-19-linear_algebra_various_matrix.md/#3-대각-행렬)의 행렬식은 주 대각 원소의 곱과 같다.  
 
 $$
 \det(A) = a_{11} a_{22} \cdots a_{nn}
 $$
 
-[전치 행렬](2022-05-19-linear_algebra_various_matrix.md/#1-전치-행렬)의 행렬식: 행렬 $A$가 정사각 행렬일 경우 행렬 $A$와 그 전치 행렬 $A^{T}$의 행렬식은 동일하다.  
+[전치 행렬](./2022-05-19-linear_algebra_various_matrix.md/#1-전치-행렬)의 행렬식: 행렬 $A$가 정사각 행렬일 경우 행렬 $A$와 그 전치 행렬 $A^{T}$의 행렬식은 동일하다.  
 
 $$
 \det(A) = \det(A)^{T}
@@ -122,7 +122,7 @@ $$
 
 ### 행렬의 기본 행 연산과 행렬식
 
-[기본 행 연산](2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)에 의한 행렬식의 변경은 아래와 같다.  
+[기본 행 연산](./2022-05-01-linear_algebra_vector_scalar.md/#기본-행-연산)에 의한 행렬식의 변경은 아래와 같다.  
 
 - 한 행에 영이 아닌 상수를 모두 곱한다.