베이즈의 입증 이론에서, 증거와 가설의 관계가 우도의 명명 여부를 결정합니다. 어떤 증거가 나왔을 때, 그 가설이 지지되는 정도는 명확하게 구하기 어렵지만, 어떤 가설이 참일 때 특정 증거가 나올 확률은 비교적 객관적으로 구할 수 있습니다. 예를 들어, 모든 까마귀는 검다라는 주장과 a가 까마귀다라는 초기조건이 합쳐진 가설에서는 a가 검다라는 확률을 객관적으로 구할 수 있습니다. 입증 이론에서는 객관성을 유지하는 것이 중요하기 때문에, 이를 우도라고 표현하고 이 외에도 비교적 객관적이라 볼 수 있는 믿음의정도(확률)을 바탕으로 증거가 가설을 지지하는 정도를 베이즈 정리를 통해 얻어낼 수 있고, 이게 베이즈주의자들의 핵심입니다. 머신러닝에서 세상에 대한 가설은 생성된 모델이고, 증거는 데이터와 같습니다. 그렇기에 어떤 데이터가 우리가 만들어 낸 모델을 지지하는 정도를 구하기 위하여, 모델이 참일때 데이터일 확률을 구해 이를 추정하게 됩니다. 모델이 참일 때 데이터가 실제로 발생했을 확률은 가설이 참일 때 증거가 참일 확률과 같으므로, 이가 우도로 표현됩니다.
선생님 MAP 방법에서 사실 대부분의 경우 prior를 알기 어려울텐데, 이럴 때는 어떻게 하나요? 정확한 prior는 알지못하지만 prior가 확실히 uniform과는 거리가 있을 때, MLE방식을 쓰는건 성능이 너무 떨어질것 같은데, 그렇다고 prior를 임의로 집어넣자니 설득력이 떨어질것 같아서 질문드립니다.
마지막에 기분 좋게 끝나네요!
잘 봤습니다 ㅠㅠ
도움이 됐다니 다행입니다 :)
어렵게 학습한 소중한 데이터를 공유해주셔서 감사합니다
마지막까지 들어보니 가슴 아픈 강의였군요....힘내십시오. 😂
좋은 설명 잘 들었습니다 ㅎㅎ 너무 좋은 비유로 설명해주셔서 이해가 확 되네요
유튜브 처음 댓글남겨보는데, 아주 이해하기 쉽게 영상을 만드셨네요.. 감사합니다!
와 정말 알고있다고 생각한게 아는게 아니였네요!! 깊은 가르침 감사합니다.~!
베이즈의 입증 이론에서, 증거와 가설의 관계가 우도의 명명 여부를 결정합니다. 어떤 증거가 나왔을 때, 그 가설이 지지되는 정도는 명확하게 구하기 어렵지만, 어떤 가설이 참일 때 특정 증거가 나올 확률은 비교적 객관적으로 구할 수 있습니다. 예를 들어, 모든 까마귀는 검다라는 주장과 a가 까마귀다라는 초기조건이 합쳐진 가설에서는 a가 검다라는 확률을 객관적으로 구할 수 있습니다. 입증 이론에서는 객관성을 유지하는 것이 중요하기 때문에, 이를 우도라고 표현하고 이 외에도 비교적 객관적이라 볼 수 있는 믿음의정도(확률)을 바탕으로 증거가 가설을 지지하는 정도를 베이즈 정리를 통해 얻어낼 수 있고, 이게 베이즈주의자들의 핵심입니다. 머신러닝에서 세상에 대한 가설은 생성된 모델이고, 증거는 데이터와 같습니다. 그렇기에 어떤 데이터가 우리가 만들어 낸 모델을 지지하는 정도를 구하기 위하여, 모델이 참일때 데이터일 확률을 구해 이를 추정하게 됩니다. 모델이 참일 때 데이터가 실제로 발생했을 확률은 가설이 참일 때 증거가 참일 확률과 같으므로, 이가 우도로 표현됩니다.
김갑수님 첨언 감사드립니다!!
설명 정말 잘하시네요. 좋은 영상 감사합니다
와.. 감사합니다ㅠㅠ
선생님 MAP 방법에서 사실 대부분의 경우 prior를 알기 어려울텐데, 이럴 때는 어떻게 하나요?
정확한 prior는 알지못하지만 prior가 확실히 uniform과는 거리가 있을 때, MLE방식을 쓰는건 성능이 너무 떨어질것 같은데, 그렇다고 prior를 임의로 집어넣자니 설득력이 떨어질것 같아서 질문드립니다.
오.. 깔끔한 강의 감사합니다. 매번 헷갈렸는데 이번 예제로 잘 기억하겠습니다.
너무 재밌고 완전 이해가 잘되네요 감사합니다!
아주 재미있게 봤고 유익했습니다.
지렸따
당신은 참스승..!!
maximum likelihood detection과 MLE는 같은건가요??
ㅋㅋㅋ 와 이건 미쳤다
감사합니다감사합니다감사합니다감사합니다감사ㅘㅂ니다