베이지안이 수식적으로는 이해가 가는데 뭔가 와닿지 않은 느낌이랄까.. 시원하게 이해가 안되네요..
제가 이해한 걸 적어드릴테니 틀린 게 있거나 보충할 게 있으면 말해주십쇼..
주어진 데이터 x를 보고 theta(모수)를 추정하기 위해 베이즈 정리를 쓰는데, 베이즈 정리에 의하면 P(theta l x) 는 P(x l theta) * P(theta) 와 비례하고
theta를 모수로 하는 확률분포에서 x_i가 iid 할 때는 P(x l theta) 는 단순히 P(x1)P(x2)...P(xn)으로서 구할 수 있으며
구한 P(theta l x)는 새로운 사전 확률로써 P(theta)로 업데이트되고, argmax P(theta l x)을 찾을 때까지 반복한다
까지가 제가 이해한 내용입니다..
https://youtu.be/HZGCoVF3YvM?si=5YtviJFVyd1FVcSQ
이거
보는게 직관적으로 이해하기 좋음 (진짜 좋음)
나도 이거 추천 3b1b 수학이랑 딥러닝 영상들은 진짜 최소 3번씩 다 보는 게 좋음
감사합니다 n회독 해야겠네요
3b1b는 진짜 전설이다...
기하학적으로 설명 들으니까 추상적이던게 조금씩 잡히네요 감사합니다
1. 기본개념은 정확함, 더이상 없음 2.사후분포는 공액사전분포라고 해서 표본데이터에 따라 어느 정도 일정하게 정해진 듯 3. 변수가 많거나 공액이 없는 경우 깊스추출이나 사후분포 시물을 돌리는 듯 4. 몬테칼로란 개발된 모든 시뮬 방법을 총칭하는 용어, 깊스추출 헤이스팅스 기각법 등등
원래는 가설을 먼저 세운다(prior) -> 실제 데이터를 관측한다(evidence) -> 이걸로 기존 가설을 업데이트 한다(likelihood) -> 사후 결론을 얻는다(posterior) 이런 흐름 같은데
실제 딥러닝에서는 종종 우리가 이미 데이터셋을 갖고 시작해서 그런가 나중에 추가하고 싶은 가정이 있으면 MAP와 같은 형식으로 쓰는듯