mobile-logo

Technology

30 11월

머신러닝에서 통계가 중요한 이유

by Nepirity
in Technology
Comments

통계는 데이터에 대한 중요한 질문에 대한 답변을 얻기 위해 사용할 수 있는 도구 모음입니다.기술 통계 방법을 사용하여 원시 관측치를 이해하고 공유할 수 있는 정보로 변환할 수 있습니다. 추론 통계 방법을 사용하여 작은 데이터 샘플에서 전체 도메인으로 추론할 수 있습니다.이 게시물에서는 일반적으로 통계가 중요한 이유와 머신러닝 및 일반적으로 사용 가능한 방법 유형을 명확하게 발견하게 될 것입니다.이 게시물을 읽은 후 다음을 알게 될 것입니다.통계는 일반적으로 응용 머신러닝...

Read More
29 11월

머신러닝을 위한 교차 엔트로피에 대한 간략한 소개

by Nepirity
in Technology
Comments

교차 엔트로피는 일반적으로 머신러닝에서 손실 함수로 사용됩니다.교차 엔트로피는 엔트로피를 기반으로 하고 일반적으로 두 확률 분포의 차이를 계산하는 정보 이론 분야의 척도입니다. 두 확률 분포 사이의 상대 엔트로피를 계산하는 KL 발산과는 밀접한 관련이 있지만 다른 반면, 교차 엔트로피는 분포 사이의 총 엔트로피를 계산하는 것으로 생각할 수 있습니다.교차 엔트로피는 또한 로지스틱 손실이라 불리는 로그 손실과 관련이 있으며 종종 혼동됩니다. 두 측정값이 서로 다른 소스에서 파생되었지만 분류 모델의 손실 함수로 사용되는...

Read More
29 11월

머신러닝에 대한 KL 발산을 계산하는 방법

by Nepirity
in Technology
Comments

주어진 확률 변수에 대한 확률 분포 간의 차이를 정량화 하는 것이 종종 바람직합니다.이것은 실제 확률 분포와 관찰 된 확률 분포의 차이를 계산하는 데 관심이 있을 수 있는 머신러닝에서 자주 발생합니다.이것은 Kullback-Leibler Divergence (KL 발산) 또는 상대 엔트로피와 같은 정보 이론의 기술과 KL 발산의 정규화 되고 대칭적인 버전을 제공하는 Jensen-Shannon Divergence를 사용하여 달성 할 수 있습니다. 이러한 점수 매기기 방법은 모델링 전에 특징 선택을 위한 상호 정보 및...

Read More
29 11월

정보 엔트로피에 대한 간략한 소개

by Nepirity
in Technology
Comments

정보 이론은 시끄러운(noisy) 채널을 통해 데이터를 전송하는 것과 관련된 수학의 하위 분야입니다.정보 이론의 초석은 메시지에 얼마나 많은 정보가 있는지 정량화하는 아이디어입니다. 보다 일반적으로 이것은 이벤트의 정보와 엔트로피라고하는 확률 변수를 정량화하는 데 사용할 수 있으며 확률을 사용하여 계산됩니다.정보 및 엔트로피 계산은 머신러닝에서 유용한 도구이며 기능 선택, 의사 결정 트리 작성 및 보다 일반적으로 분류 모델 피팅과 같은 기술의 기초로 사용됩니다. 따라서 머신러닝 실무자는 정보와 엔트로피에 대한...

Read More
28 11월

Python에서 베이지안 최적화(Bayesian optimization)를 구현하는 방법

by Nepirity
in Technology
Comments

이 자습서에서는 복잡한 최적화 문제에 대해 베이지안 최적화 알고리즘을 구현하는 방법을 알아봅니다.전역 최적화는 주어진 목적 함수의 최소 또는 최대 비용을 초래하는 입력값을 찾는 어려운 문제입니다.일반적으로 목적 함수의 형식은 분석하기가 복잡하고 다루기 어려우며 종종 볼록하지 않고, 비선형이며, 고차원이고, 노이즈가 많고, 계산 비용이 많이 듭니다.베이지안 최적화는 효율적이고 효과적인 전역 최적화 문제를 검색하도록 지시하는 Bayes 정리를 기반으로 하는 원칙적인 기술을 제공합니다. 대리 함수라고 하는 목적 함수의 확률적 모델을 구축한 다음...

Read More
24 11월

Python으로 Naive Bayes 분류자를 개발하는 방법

by Nepirity
in Technology
Comments

분류는 주어진 입력 데이터 샘플에 레이블을 할당하는 것과 관련된 예측 모델링 문제입니다.분류 예측 모델링의 문제는 데이터 샘플이 주어진 클래스 레이블의 조건부 확률을 계산하는 것으로 구성될 수 있습니다. Bayes 정리는 이 조건부 확률을 계산하는 원칙적인 방법을 제공하지만 실제로는 엄청난 수의 샘플(매우 큰 크기의 데이터 세트)이 필요하고 계산 비용이 많이 듭니다.대신, Bayes 정리의 계산은 각 입력 변수가 다른 모든 입력 변수와 독립적이라는 몇 가지 가정을 통해 단순화할 수...

Read More
24 11월

머신러닝을 위한 Bayes 정리에 대한 간략한 소개

by Nepirity
in Technology
Comments

Bayes 정리는 조건부 확률을 계산하는 원칙적인 방법을 제공합니다.직관이 종종 실패하는 사건의 조건부 확률을 쉽게 계산하는 데 사용할 수 있지만 믿을 수 없을 정도로 간단한 계산입니다.확률 분야에서 강력한 도구이지만 Bayes 정리는 머신러닝 분야에서도 널리 사용됩니다. 모델을 훈련 데이터 세트에 맞추기 위한 확률 프레임워크(줄여서 최대 사후 또는 MAP라고 함)에서의 사용과 Bayes 최적 분류기 및 Naive Bayes와 같은 분류 예측 모델링 문제에 대한 모델 개발에 사용됩니다.이 게시물에서는 조건부...

Read More
23 11월

머신러닝을 위한 연속 확률 분포

by Nepirity
in Technology
Comments

연속 확률 변수에 대한 확률은 연속 확률 분포로 요약할 수 있습니다.연속 확률 분포는 머신러닝, 특히 모델에 대한 수치 입력 및 출력 변수의 분포와 모델에 의한 오류 분포에서 발생합니다. 정규 연속 확률 분포에 대한 지식은 또한 많은 머신러닝 모델에 의해 수행되는 밀도 및 매개 변수 추정에서보다 일반적으로 요구됩니다.따라서 연속 확률 분포는 응용 머신러닝에서 중요한 역할을하며 실무자가 알아야 할 몇 가지 분포가 있습니다.이 자습서에서는 머신러닝에 사용되는 연속...

Read More
23 11월

머신러닝을 위한 이산확률 분포

by Nepirity
in Technology
Comments

이산 확률 변수에 대한 확률은 이산확률 분포로 요약할 수 있습니다.이산 확률 분포는 머신러닝, 특히 이진 및 다중 클래스 분류 문제의 모델링 뿐만 아니라 신뢰 구간 계산과 같은 이진 분류 모델의 성능 평가 및 자연어 처리를 위한 텍스트의 단어 분포 모델링에도 사용됩니다.이산 확률 분포에 대한 지식은 분류 작업을 위한 딥러닝 신경망의 출력 계층에서 활성화 함수를 선택하고 적절한 손실 함수를 선택하는 데에도 필요합니다.이산 확률 분포는 응용 머신러닝에서 중요한 역할을...

Read More
22 11월

확률 분포에 대한 간략한 소개

by Nepirity
in Technology
Comments

확률은 한 사건의 가능성을 계산하는 것 이상으로 사용될 수 있습니다. 가능한 모든 결과의 가능성을 요약 할 수 있습니다.확률에는 확률 변수라고 하는 흥미로운 것이 있으며 확률 변수에 대한 각 가능한 결과와 확률 간의 관계를 확률 분포라고합니다.확률 분포는 확률의 중요한 기본 개념이며 일반적인 확률 분포의 이름과 모양은 익숙할 것입니다. 확률 분포의 구조와 유형은 계량형 또는 이산형과 같은 확률 변수의 속성에 따라 달라지며, 이는 분포를 요약하는 방법 또는 가장...

Read More