전체 글 검색 결과

해당 글 71건

Week 7.8 Potential Function and Clique Graph

Belief 가 Propagation 되는 형태를 유사하게 활용해서 우리가 원하는 확률값을 찾아내는 내용이다. 1. Potential Function Potential Function은 PDF(Probability Distribution Function)을 만들고 싶지만 아직 몇가지 조건이 부족하여 PDF는 아니지만 PDF가 될 잠재력을 가진 함수라 한다. 아래의 Bayesian Network에서 예를 들어보자. 우선 Bayesian Network에서 아래와 같이 구조적으로 정의할수 있다. 1. Clique : 전체Bayesian Network에서 Fully connected 된 subset AB가 하나의 Clique BC가 하나의 Clique CD가 하나의 Clique 2. Separator : Cli..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 22. 23:02

2019 코베 베이비페어 방문

코엑스에서 이번주 18일부터 21일까지 베이비페어가 진행중이에요. 아침 10시부터 오픈인데 , 오후에는 주차하기 힘들것 같아서 오픈에 맞추어 부지런떨었습니다.. 9시 20분 쯤 주차를 하고 전시회장으로 가는데 .. 아무생각없이 아셈타워근처에 주차하였다가 한참을 걸었어요ㅠㅠ (전시회는 코엑스 서문 게이트쪽인데 아셈타워 쪽에 주차하니 10분정도 걸은것 같아요.) 일찍왔다 생각하고 커피도 사고 천천히 걸어가니 전시회장쪽에는 40분에 도착하였는데 , 수많은 사람들이 줄을 서고 있었습니다. 아마 얼리버트이벤트로 500명 선착순 밤부베베 목욕 타올과 일리율 보습세트를 주는데 그것때문에 줄이 엄청 길었어요. 코베 어플을 통해 사전등록을 하고 바코드를 보여주면 바로 팔찌를 나눠주고 줄을 설수 있기때문에 , 도착할때쯤에..
육아용품 2019. 4. 20. 22:41

Week 7.7 Variable Elimination

1. Marginalization and Elimination Partial joint 를 구할때는 Full joint 의 형태로 변경해서 marinalization 하면 구할수 있다. 알람이 울리고, 도둑이침입하고, Mary가 전화할 확률을 구해보자. ( P(A= true, B= true, MC = true) = ? ) 구하고자 하는것은 Parial joint 확률인데 , Full joint 확률을 통해 구할수 있다. 식에는 아무런 문제가 없지만 , 시그마를 E에대해서 한번 Loop를 돌리고, JC에 대한 시그마 Loop를 돌리기 때문에 계산복잡도가 늘어난다. 시그마를 위의 식처럼 이동시키면 , 이중 Loop를 돌리지 않기 때문에 계산복잡도가 이전 식에 비에 단순해질수 있다. P(b) , P(mc|a)..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 19. 09:26

Week 7.6 Inference Question on Bayesian network

베이지안 네트워크에서 Inference 를 어떻게 다루는지에 대해 설명한 강좌이다. 베이지안 네트워크에 관련된 몇 가지 inference 질문이 있을수 있다. 1. 우리가 일부 정보를 관측했는데 (예시 : 아래 그림의 P(B)= 0.001 , P(E) = 0.002) 우리가 모르는 특정값에 대한 가장 likely 한 값은 무엇이겠는냐?? 확률을 구해서 답하는 문제로 귀결될수 있다. 예시 질문 : 도둑이 들었는데, Mary가 전화할 확률은 ??? ( P(B=True, MC=true) 의 확률은 ? ) 위의 질문을 답하기 전해 우리가 배운 사실을 바탕으로 식을 일반화해보자. X = 모든 random variable Xv = 우리가 관측한 내용(정보를 알고있는것) 혹을 알아보고자하는 내용 ( Evidence ..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 17. 23:40

용인 호암미술관 벚꽃 구경

어딜 가더라도 벚꽃나무의 벚꽃이 다피고 이제 녹색잎으로 변하고 있다. 하지만 아직 벚꽃을 보지 않았다면 , 용인사시는 분들은 호암미술관에 꼭 가보시는걸 추천한다. 호암미술관은 에버랜드근처에 있는데 , 주변이 산이라 은근 날씨가 춥다. 더군다나 이번주말에 날씨도 춥고 비도왔기에 , 이제서야 벚꽃이 만개하고 있는 중이다. 오늘 아내와 호암미술관에 오전부터 부지런히 가보았다. 평일임에도 불구하고 대박 !! 사람 엄청많이 있더라. 네비에 호암미술관을 치고 가면 , 호숫가 근처로 안내한다. 입구앞에는 큰 차단기가 있고 , 미술관으로 들어가는 왕복 2차선 길이 있다. 만약 미술관에 가지 않는다면 그 안쪽으로 들어가면 다시 나와야하기 때문에 그쪽으로 가지 말고 밖에 길가에 차를 세워두시는것을 추천합니다. 평일 오전임..
국내여행 2019. 4. 17. 00:12

Week 7.5 Factorization of Bayesian networks

Joint Probability를 알면 Conditional probability , 개별 Probability를 계산할 수 있다. 그러나 Joint Probability의 문제는 Prameter의 개수가 많을수 있다. 예를 들어 P(A,B,C,D ....Q) 처럼 Parameter의 수가 많아질수 있다. 그러면 계산량이 늘어나기에 최대한 Parameter를 줄이려고 노력해야한다. 그러기 위해서는 Independent 관계 정보를 알아야한다. 위의 그림처럼 Bayesian network가 주어진 상황에서 Factorization 을 하면 필요한 정보( Parameter)를 크게 줄일수 있다. 위의식은 X1 ~X8 의 많은 Parameter를 Bayesian network의 관계를 이용하여 Paramete..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 16. 00:16

Week 7.4 Bayes Ball Algorithm (베이즈볼)

1. Typical Local Structures Bayesian Network는 어떻게 설정하냐에 따라 거대한 구조로 만들수 있다. 지엽적인 관점에서 보면 Bayesian Network는 아래의 전형적인 Local 구조 3가지로 나눌수 있다. 1. Common Parent : Node들이 공통 Parent를 가진 경우 1) J ⊥ M | A P(A)가 given일때 (알람에 대한 특정 정보가 주어졌을때 ) , P(J)와P(M)은 독립이다. → A를 모르면 이렇게 구성할수 없다. 즉 P(J,M |A) = P(J|A) X P(M|A) 2. Cascading 1) B ⊥ M | A P(A)가 given일때 (알람에 대한 특정 정보가 주어졌을때 ) , P(B)와P(M)은 독립이다. → P(M)은 B에 대한 정..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 14. 22:15

Week 7.3 Interpretation of Bayesian Network

Bayesian Network는 Naive Bayes Classifier Function 을 그래픽화 한것이다. 1. 규칙 1) 비순환 ( acyclic) and 방향성있는 graph. 2) Node - 각각의 node는 random variable - Parents 로 부터 영향을 받는 조건부 확률 ( Conditional distribution) 이다. : P(X1|Parents(X1) (위 그림에서 Parent 는 Y , X1, X2는 Node 이다.) 3) Link : Parent 가 Child 에 주는 direct influence 이다. ( Indirect influence 가 있을 수도 있다. 예를 들어 Y의 Parent Z가 있으면 Z는 X 에 indirect influence 이다.) 2..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 4. 14. 21:44