머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 검색 결과

해당 글 63건

Week 2.3. Introduction to Decision Tree

Rule based learning 은 error 가 많기 때문에 현실에서 잘 적용되지 못한다. 그래서 대안으로 쓸수 있는것이 Decision Tree 이다. Rule based learning 에서 보았던 아래의 Hypothesis가 있다고 생각해보자. Sunny 만 되면 Enjoy sport 가 Yes 일 경우는 현실에서 거의 없다. 이것을 Decision Tree 로 표현 하면 아래와 같다. "Sky 가 Sunny 이면 Enjoy Sport 가 Yes이고 Rainy 면 Enjoy Sport 가 No 이다." 와같은 Tree 형태로 표현할수 있다. 이형태의 Tree를 하나의 Hypothesis 로 간주한다. 이것을 Decision Tree 라 한다. 아래의 Hypothesis 도 Decision Tr..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 6. 15. 18:20

Week 2.2 Introduction to Rule Based Algorithm

1. Find - S Algorithm Find - S Algorithm : h0 로 부터 특정한 Coverage를 가진 h를 찾아나가는 과정 1. 초기 h0는 null로 setting => 어떠한 경우의 조건도 만족시키지않는다. 2. Instance x1과 h0의 각각 feature를 비교해 합집합을 만들어 새로운 h1을 만든다. ( 즉 x1의 첫번째 Sunny 와 h0의 null의 합집합은 Sunnny 라 h1의 첫번째는 Sunny 가 된다. ) 3. Instance x2 와 h1을 비교한다. (4번째 feature 인 x2의 Light 와 h1의 Strong 이 다르다. 즉 h1 가설의 Strong 이 아니더라도 x2를 통해 Enjoy sport를 한다는것을 학습하게 된다. Strong 과 Ligh..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 6. 12. 12:01

Week2.1. Rule Based Machine Learning Overview

학습 목표 - Ruled based learning - Decision Tree - Linear Regression 위의 3가지는 요새는 잘쓰이지는 않지만 한계를 알아보기 위해 파악해본다. Ruled based learning Perfect world 라는 System이 있다고 가정해보자. Sky, Temp , Humid , Wind , Water , Forecast 의 정보에 따라 Enjoy Sport을 할것인지 말것인지를 결정을 하려고 한다. Perfect system은 아래의 특징을 따른다. - 관측 에러는 없다. - 일관적이지 않은 관측이 없다. (완벽히 관측되고 완벽히 일관적이다. 비가오면 계속 비가오는것이지 도중에 해가 뜨지 않는다.) - 정보(Sky, Temp , Humid , Wind , ..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 6. 11. 23:44

Week 1.4 Probability and Distribution

학습 목표 - Probability - Distribution Probability 확률은 아래와 같은 기초적인 특성을 따른다. Conditional Probabiliy 범위를 제한한다. 범위를 조건이라고도 말한다. B라는 범위내에서 A가 일어날수 있는 확률을 아래와 같이 표현한다. Conditional Probabiliy에서 유용하게 쓰이는 공식은 아래와 같다. Distribution 1.Normal Distribution - Long tail이 있다. (양끝이 0 이 아닌데 무한대로 간다.) 2.Beta Distribution - Long tail 이 없고 0에서 1사이의 범위가 정해져 있다. - 범위가 정해진 Distribution을 표현할때 많이 사용된다. ( 예시 : 확률을 모델링 할때 많이 사..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 5. 29. 21:21

Week 1.3 MAP

1.2강의를 통해 MLE 관점에 대하여 설명하였다. 1.2 강의 MLE 링크 : https://deadsquart.tistory.com/18 Week 1.2 MLE 확률에 대해 기본적인 개념을 한가지 간단한 에피소드를 통해 이해를 해보자. 압정을 던져 머리(Head) / 꼬리(Tail)를 베팅하는 도박이 있다고해보자. 압정은 던져서 나온 결과가 쉽게 50대50이라 판정할수 없다... deadsquart.tistory.com 그런데 베이즈라는 사람이 부자에게 "압정을 던지면 정말 60%의 확률로 Head가 나올거 같냐??? Head / Tail 이 나올확률이 50대 50이라고 생각안하세요?? 라고 되물었다. 부자는 아래와 같이 대답하였다. "나도 처음에는 50대 50의 확률이 나올것 같다고 생각했는데 , ..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 5. 27. 20:35

Week 1.2 MLE

확률에 대해 기본적인 개념을 한가지 간단한 에피소드를 통해 이해를 해보자. 압정을 던져 머리(Head) / 꼬리(Tail)를 베팅하는 도박이 있다고해보자. 압정은 던져서 나온 결과가 쉽게 50대50이라 판정할수 없다. ( 모양이 균일하지 않기 때문에) 부자가 압정을 던져서 나온 결과를 잘 분석해보자고 나한테 제안하였다고 해보자. 부자가 "어떻게 하면 내가 돈을 딸수 있을까? "라고 물어보았다. 나는 우선 "몇번던져보세요~" 라고하였다. 부자는 5번정도 압정을 던졌다. 머리(Head) 2번 , 꼬리 (Tail)이 3번 나왔다. 위의 결과를 토대로 꼬리(Tail)이 더 많이 나왔으니 꼬리(Tail)에 배팅하세요라고 말할수 있을까? 왜 Tail은 3/5 , Head 는 2/5라는 결과가 나왔을까?? 위의 물음..
머신러닝/문일철 교수님 강의 정리 (인공지능및기계학습개론) 2019. 5. 24. 22:59

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

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