Machine learning/Bayesian Network3 Bayesian Network (베이지안 네트워크) 베이지안 네트워크 (베이즈 이론을 기반으로 한 확률 이론과 그래픽 이론의 결합으로 이루어진 그래픽 모델) 복잡한 시스탬을 노드와 각 노드간의 연관성을 호(Arc = Edge)로 표현 여기서 노드는 확률변수를 의미한다. 각 노드는 CPT(조건부 확률 테이블 Conditional Probabliity Table)을 가진다. 베이지안 네트워크는 싸이클이 존재 해선 안되며 방향성이 있다 (DAG = Directed Acyclic Graph) 노드A -> 노드B = P(B|A) 라고 가능 노드A가 발생할 경우 노드B가 일어날 확률 (원인) (결과) 바로 P(B|A)가 노드B의 CPT로 표현되어진다. - 추론 : 베이지안 네트워크에서 추론은 "알고있는 확률변수 를 가지고 알지 못하는 확률 값을 구하는 과정"이라고 .. 2012. 5. 30. 인공지능-베이지안네트워크를 이용한 학습과 행동 베이지안 네트워크를 이용한 학습과 행동 (Learning and Acting with Bayes Nets) 인공지능-지능형 에이전트를 중심으로 : Nils J.Nilsson 저서, 최중민. 김준태. 심광섭. 장병탁 공역, 사이텍미디어, 2000 (원서 : Artificial Intelligence : A New Synthesis 1998), Page 371~388 1. 베이지안 네트워크의 학습 1.1 알려진 네트워크 구조 결여된 데이터가 없는 경우 결여된 데이터가 있는 경우 1.2 네트워크 구조의 학습 평가 척도 네트워크 공간의 탐색 2. 확률 추론과 행동 2.1 일반 설정 2.2 확장된 예제 2.3 예제의 일반화 3. 참고문헌 및 토론 1. 베이지안 네트워크의 학습 베이지안 네트워크 (Bayes net.. 2012. 5. 30. 조건부 확률(베이지안)의 이해를 위한 예제 및 풀이-펌글 베이스 정리에 대한 쉬운 이해를 돕는 글인 것 같다. v1.0 2007/10/11 Copyleft by 전경헌@사이냅소프트 v1.1 2007/10/16 Copyleft by 전경헌@사이냅소프트 , 몬티홀 문제에 대한 커멘트 추가 v1.2 2011/03/17 Copyleft by 전경헌@사이냅소프트 , 몬티홀 문제를 별도 블로그로 기록함 베이스의 정리(Bayes' theorem)는 공부할 때마다 새로운 느낌이 든다. 매번 아하 그렇지 라는 생각이 들다가도 좀 지나면 다시 기억이 안난다. 내가 기억하는 것만으로도 베이스의 정리는 최소 3번이상 공부한 것 같다. 정리자체는 매우 단순한데... 적용할 때마다 확신이 잘 안서는 것 같아서 이번에는 베이스의 정리를 잘 드러내주는 예제들을 10개쯤 모아 보기로 하였다.. 2012. 3. 22. 이전 1 다음