ml_interview (66) 썸네일형 리스트형 가우시안 분포 가장 중요한 연속 확률 분포 중 하나, 정규 분포 normal distribution, 가우시안 분포 Gaussian distribution,구성 요소 설명정규화 상수확률 밀도 함수의 총 면적이 1이 되도록 조정하는 상수입니다.분산 σ2가 클수록 분포는 넓게 퍼지며, 상수 값은 작아집니다.지수 항평균 μ를 중심으로 (x−μ)2의 크기에 따라 확률 밀도가 감소합니다.σ2는 분포의 폭을 조정하며, 값이 크면 완만한 분포, 값이 작으면 급격한 분포를 형성합니다.가우시안 분포에서 관측값들을 독립적으로 추출한다고 가정, 데이터 집합으로부터 매개변수들을 결정하는 것이 목표, iid 조건mu, sigma^2 이 주어졌을 때 조건부 확률관측 데이터를 바탕으로 확률 분포의 매개변수를 결정하는 표준적인 방법 중 하나는 가.. 베이지안 확률 고전적, 빈도적 관점 : 반복 가능한 임의의 사건의 빈도수베이지안 관점을 활용하여 확률을 이용하여 불확실성의 정량화 가능다항식 곡선 피팅 예시에서, 관찰값에 대해서는 확률의 빈도적 관점을 적용하는 것이 적합해 보일 수 있지만, 적합한 모델 매개변수를 정하는 데 있어서의 불확실성을 수치화하고 표현하기 위해서는 베이지안 관점을 사용하여 확률론의 다양한 장치들을 활용하여 w 와 같은 모델 매개변수의 불확실성을 설명할 수 있다.베이지안 정리는 관측값들을 이용하여 사전 확률을 사후 확률로 바꾸는 역할을 했다.다항식 곡선 피팅 예시의 매개변수와 같은 값들을 추론해 내는 데 있어서도 비슷한 방식을 사용할 수가 있다.먼저 데이터를 관측하기 전의 w 에 대한 가정을 사전 확률 분포 p(w) 로 표현할 수 있다.관측된 데.. build 과정에서의 가중치 생성 방법, 일단 self.input_shape 의 사용 일단, 각 레이어에 저장되어 있는 input_shape 값을 통해 가중치를 생성해보자. 너무 복잡하네 # build 와 함께 가중치 초기화 def build(self, input_shape=None): #input_shape = input_shape if not self._layers: raise ValueError( f"Sequential model {self.name} cannot be built because it has " "no layers. Call `model.add(layer)`." ) if isinstance(self._layers[0.. 라그랑주 승수법 제약 조건은 x 가 속할 수 있는 공간의 제한,제약 조건 함수에 대한 기울기는 해당 제약 조건에 의해 정의된 (D-1) 차원 표면에 대해 orthogonal 하다. 제약 조건 함수에 대한 기울기는 각 성분에 대한 편미분 벡터, g(x) 가 가장 급격히 변하는 방향으로 이는 직교 방향f(x) 의 기울기는 함수가 가장 급격히 증가하는 방향 제약 조건을 만족하면서 f(x) 의 최대, 최소화 문제에서 최적점 x* 에서는 목적 함수의 기울기, d f(x*) 와 제약 조건의 기울기 d g(x*) 가 평행해야 한다. (제약 조건의 만족을 위해) d f(x*) = lambda d g(x*) 이전 1 2 3 4 ··· 17 다음
