Machine Learning
-
[Bishop - Pattern recognition and ML] - 1.2.1 확률 이론 - 확률 밀도IT/인공지능 2021. 9. 21. 21:25
* 스터디 한 부분을 정리하는 포스팅입니다. 1. probability densities (확률 밀도) 확률 밀도는 고등학교때 배웠던 정적분 이론이 적용된다. 정적분은 기하학적으로 [a,b] 구간에서 함수의 넓이라는 의미를 가진다. 연속된 구간에서 곡선의 넓이를 구하는 것은 변화량이 0으로 수렴할 때, "변화량 * y 값"을 구해서 다 더한 값으로 구한다. 변화량이 0으로 수렴하기 때문에 실제 곡선의 넓이와 유사할 것이기 때문이다. 위의 그림을 식으로 표현하면 아래와 같이 표현할 수 있다. 우리는 이걸 인티그럴이라고 부른다. 확률밀도도 정적분의 기하학적 의미와 같다. 연속된 구간에서 변화량이 0으로 수렴할 때의 해당 구간에서의 곡선의 넓이를 확률밀도 라고 한다. 그런데, 확률 밀도 함수가 되기 위해서는 ..
-
[Bishop - Pattern recognition and ML] - 1.2.1 확률 이론 - 조건부 확률과 베이즈 정리IT/인공지능 2021. 9. 20. 22:59
머신러닝을 공부하다보니, 확률과 통계에 대해 잘 알아야겠다는 생각이 들었다. (아니 어쩌면 전부일수도....) 그렇지만, 고등학교때부터 확률과 통계는 포기했던 사람으로서 너무 어렵게 느껴졌고, 지인과 스터디를 하기로 하였다. 교재는 제목에 써져 있는 것처럼 "Bishop: Pattern recognition and Machine Learning"이라는 교재이다. 아주 유명한 교재라고 해서 선택해봤는데, 확실히 고등학교 때 배웠던 것보다 훨씬 상세하고 이해하기 쉽도록 나와있어서 좋았다. (원서라 번역하는게 너무 힘들긴 했다. 하지만 토익 300점대임에도 어떻게 잘 독해해서 읽어지긴 했음) 아무튼 본론으로 들어가서, 1.2 Chapter의 Probability Theory에 대해서 공부했다. 양이 많기도 하..