AI를 위한 필수 수학

314

AI

를 위한 필수 수학

이상적으로 이 두 분포를 최대한 가깝게 만들고자 한다. 하지만 실제로는 특정 사례에

;xp

model

i

v

v

R

W

가 잘 맞도록 파라미터

i

v

를 설정해야 한다. 이번에는 확률 분포에 대한 다음 세 가

지 규칙을 사용할 것이다.

1

다변수 결합 확률 분포

multivariable

joint

probability

distribution

를 단일 변수 조건부 확률 분포

single

variable

conditional

probability

distribution

들의 곱으로 분해하는 곱셈 규칙

2

베이즈 규칙

Bayes

’

rule

, 이는 변수들 사이의 전환을 매끄럽게 해준다.

3

피처나 잠재적(숨겨진 ) 변수들에 대한 독립 또는 조건부 독립 가정, 이는 단일 변수 조건부 확률들의 곱을

더욱 단순화한다.

지금까지는 손실 함수를 최소화했다. 이번에는 유사한 기능을 하는

로그 가능도 함수

log

likelihood

function

를 최대화할 것이다. 주의할 점은 손실 함수를 최소화하는 것이 아니라 이 목표 함수를

최대화하는 것이다.

깊이 들어가기 전에 결정론적 머신러닝 모델들을 확률 언어로 표현하는 방법을 정리해보자. 지

금까지 모델들은 입력 데이터

x

v

의 피처들을 출력

y

(목표 또는 레이블)에 매핑하는 훈련 함수

를 학습했고 이를 수식으로 표현하면 ...