베이지안 추론 (Bayesian Inference) 베이지안 추론은 확률을 '사건이 발생할 빈도'가 아니라 '가설에 대한 믿음의 정도(Degree of Belief)'로 정의하고, 새로운 데이터가 관찰됨에 따라 기존의 믿음을 지속적으로 업데이트하는 통계적 추론 방법론이다. 1. 개요 베이지안 추론의 핵심은 관찰된 데이터를 바탕으로 모델의 파라미터 에 대한 …
검색 결과
"MCMC"에 대한 검색 결과 (총 7개)
PyMC3 > ⚠️ 중요 안내: PyMC3는 현재 PyMC (v4, v5)로 통합 및 업그레이드되었습니다. 본 문서는 PyMC3를 기준으로 설명하고 있으나, 최신 파이썬 버전과의 호환성 및 성능 향상을 위해 신규 프로젝트에는 최신 버전인 PyMC 사용을 강력히 권장합니다. 개요 PyMC3는 파이썬(Python) 기반의 확률적 프로그래밍 언어(Probabil…
Pattern Recognition and Machine Learning Pattern Recognition and Machine Learning(PRML)은 크리스 버즈비(Christopher M. Bishop)가 저술한 인공지능 및 기계 학습 분야의 고전적인 학술 교재입니다. 이 책은 패턴 인식과 기계 학습의 이론적 기초를 확률론적 관점에서 체계적으로 …
변분 추론 (Variational Inference) 변분 추론(Variational Inference, VI)은 확률 모델에서 사후 확률(posterior distribution)을 근사하기 위한 방법론 중 하나입니다. 베이지안 통계학에서 사후 확률은 베이즈 정리를 통해 계산되지만, 많은 복잡한 모델에서 정확한 사후 확률의 계산은 불가능하거나 계산 비용이…
Concrete Dropout 개요 Concrete Dropout는 심층 신경망에서 드롭아웃(Dropout)의 비율을 고정된 하이퍼파라미터가 아닌 학습 가능한 파라미터로 자동 최적화하는 머신러닝 기법입니다. 2017년 Alexey Gal과 Zoubin Ghahramani가 제안한 이 방법은 베이지안 신경망(Bayesian Neural Networks)의 근…
확률적 모델링 개요 확률 모델링(Probabilistic)은 불확실성과 랜성을 내재한 현상이나 시스템을 수학적으로 표현하고 분석하기 위한 통계학 및 확률론의 핵심 기법이다. 현실 세계의 많은 현상은 결정론적으로 예측하기 어려우며, 관측 오차, 자연스러운 변동성, 또는 정보의 부족 등으로 인해 확률적인 접근이 필요하다. 확률적 모델링은 이러한 불확실성을 수량…
LDA (Lat Dirichlet Allocation) 개요 LDA(Latent Dirichlet Allocation, 잠재 디리클레 할당) 자연어 처리(Natural Language Processing, NLP) 분야에서 널리 사용되는주제 모델(Topic Modeling) 기 중 하나입니다. 주로 문서 집합(corpus) 내에서 잠재적인 주제(latent…