티스토리

Reality is also a Pizza

검색하기

블로그 홈

Reality is also a Pizza

life-is-also-pizza.tistory.com/m

StoneSeller 님의 블로그입니다.

구독자: 7

방명록 방문하기

주요 글 목록

딥러닝 프레임워크인 Pytorch와 Tensorflow의 차이점에 대해 설명해주세요 Tensorflow와 Pytorch의 가장 큰 차이점은 계산 그래프 정의 방식입니다. Tensorflow는 계산 그래프를 먼저 정의하고 실행 시점에 데이터를 넣어주는 Define and Run 방식의 정적 그래프를 사용합니다. Pytorch는 실행 시점마다 새로운 계산 그래프를 정의하는 Define by Run 방식의 동적 그래프를 사용합니다. Define by Run 방식은 Pythonic하기 때문에 Tensorflow보다 직관적이고 간단합니다. 공감수 0 댓글수 0 2022. 12. 26.
Attention에 대해 설명해주세요 Seq2Seq는 인코더가 마지막 timestep에서 나오는 hidden state vector를 Context Vector로 사용하여, 디코더가 이 Context Vector를 통해 출력 시퀀스를 생성합니다. 그러나 이렇게 고정된 크기의 Context Vector에 모든 정보를 압축하므로 정보 손실이 발생할 수 있습니다. 따라서 이런 문제점을 위해 제안된 기법이 Attention 입니다. Attention 기법은 Encoder의 마지막 timestep에서 나오는 hidden state vector 하나에만 의존하는 것이 아니라 매 timestep 마다의 hidden state vector들과 Decoder의 hidden state vector들간 내적을 통해 구해진 값에 softmax를 취해 Encode.. 공감수 0 댓글수 0 2022. 12. 25.
LSTM은 왜 유용한가요? LSTM은 전 time step에서 서로 다른 역할을 하는 Cell state vector와 Hidden state Vector를 입력으로 받습니다. 또한 LSTM은 forget/input/output gate가 존재하는데 이 gate들을 통해 이전 time step에서 넘어온 Cell state vector를 적절하게 변환하는데 사용합니다. Cell state vector는 기억해야할 필요가 있는 모든 정보를 담고 있는 벡터이고 Hidden state vector는 현재 time step에서 예측값을 내는 output layer에 입력으로 사용되는 벡터로서 Cell state가 가지는 많은 정보에서 해당 timestep의 예측값에 직접적으로 필요한 정보만을 filtering한 벡터입니다. LSTM은 이.. 공감수 0 댓글수 1 2022. 12. 20.
RNN에 대해 설명해주세요 RNN은 일반적인 신경망과 달리 순서가 있는 입력 데이터를 처리할 수 있는 순환 신경망입니다. 순차적인 입력 데이터인 Sequence 데이터가 입력으로 주어질 때 각 timestep에서 들어오는 입력벡터와 그 전 timestep의 RNN 모듈에서 계산한 hidden state 벡터를 입력으로 받아 현재 timestep에서의 hidden state 벡터를 출력으로 내어주는 구조입니다. RNN은 Backpropagation과정에서 tanh의 gradient가 반복되어 곱해지는 구조이기 때문에 gradient vanishing problem이 발생하여 긴 Sequence data를 다루기 어렵다는 한계점이 있습니다. 공감수 0 댓글수 0 2022. 12. 20.
문장에서 "Apple"이란 단어가 과일인지 회사인지 식별하는 모델을 어떻게 훈련시킬 수 있을까요? “과일”과 “회사” Named Entity를 인식(Recognize)하는 모델을 훈련시킨다. 과일에 관한 문장과 회사에 관한 문장을 수집하여 데이터셋을 구축한다음 “Apple”이라는 단어에 “과일”이라고 BIO 태깅을 진행한다. Input으로 문장 토큰들을 넣고 Output으로 각 토큰이 어떤 Entity에 해당하는지를 분류하도록 모델을 훈련시킨다. 공감수 0 댓글수 0 2022. 12. 19.
Multi Process vs Multi Thread에 대해 설명해주세요 멀티 프로세스와 멀티 스레드 모두 컴퓨팅의 효율성을 위한 병렬처리 기법입니다. 멀티 프로세스는 두 개 이상의 다수 프로세서(CPU)가 협력적으로 하나 이상의 작업을 동시에 처리하도록 하는 것이며 각 프로세스 간 메모리 구분이 필요하거나 독립된 주소 공간을 가져야 할 경우 사용합니다. 각 프로세스마다 독립된 구조이기 때문에 프로세스들 중 하나에 문제가 생겨도 다른 프로세스에 영향을 주지 않아 작업 속도가 느려질 수는 있겠지만 정지되는 문제는 발생하지 않습니다. 그러나 각 프로세스마다 독립된 메모리 영역을 갖고 있기 때문에 Context Switching이 자주 일어나서 주소 공간의 공유가 잦을 경우 오버헤드가 발생하여 성능저하가 발생할 수 있습니다. + Context Switching이란? 현재 진행하고 .. 공감수 1 댓글수 0 2022. 12. 14.
동기와 비동기의 차이에 대해 설명해주세요 동기는 요청에 대한 응답을 받은 후에 다음 요청을 진행할 수 있으나 비동기는 요청에 대한 응답 여부와 관계 없이 그 다음 요청을 보낼 수 있습니다. 공감수 0 댓글수 0 2022. 12. 14.
절차지향 프로그래밍 VS 객체지향 프로그래밍을 설명해주세요 절차지향 프로그래밍은 데이터를 중심으로 함수를 만들어서 절차적으로 수행하는 방법입니다. 실행 속도가 빠르고 프로그램의 흐름을 쉽게 추적할 수 있는 것이 장점이지만 모든 구성요소가 유기성이 높기 때문에 유지보수가 어렵습니다. 객체지향 프로그래밍은 데이터와 함수를 묶어 하나의 객체로 만들어 각각의 객체들 간의 상호작용을 통한 로직을 구성하는 방법입니다. 캡슐화로 인해 유지보수가 용이하고 재사용이 가능합니다. 단점으로는 절차지향 프로그래밍보다 실행 속도가 느리다는 점입니다. 공감수 0 댓글수 0 2022. 12. 12.
람다 함수란 무엇인가요? 익명 함수를 람다 함수라고 합니다. 람다 함수는 def 키워드를 통해 함수를 생성하는 리터럴 표기법을 간결하게 표현할 수 있습니다. 람다 함수는 return 키워드 없이 자동으로 return 해줍니다. 다른 함수의 인수로 넘겨줄 함수를 생성하여 사용 할 때 재사용 하지 않고 한번만 사용할 경우 람다 함수를 사용하면 메모리를 절약할 수 있습니다. https://clolee.tistory.com/22 https://wikidocs.net/22804 공감수 0 댓글수 0 2022. 12. 12.
Fully Connected Layer의 기능에 대해 설명해주세요 Fully Connected Layer는 한 layer의 모든 뉴런들이 다음 layer의 모든 뉴런들과 연결괴어 있는 layer를 말하는데 해당 Layer는 이전 레이어의 출력을 원하는 출력 형태로 만들어주기 위해 사용합니다. + 추가 MLP-Mixer라는 논문은 vision task에서 기존의 CNN, attention mechanism 대신 MLP만사용하여 매우 단순한 계산만 가지고 SOTA를 달성한 네트워크들과 경쟁할 수 있는 네트워크를 제안하는 논문이다. 해당 논문에서는 FC layer는 위에서 설명한대로 원하는 출력형태로 만드는 classification 역할로도 사용할 수 있지만 BERT output의 출력단을 한번 더 섞어서 학습하게 해주는 역할을 한다고 볼 수 있다고 한다. 즉, Semen.. 공감수 0 댓글수 0 2022. 12. 7.
파이썬의 Generator에 대해 설명해주세요 파이썬의 Generator는 시퀀스의 요소를 하나씩 차례대로 순회하면서 값을 생성하는 객체인 Iterator를 생성해주는 함수입니다. Generator는 yield를 키워드를 사용해 생성할 수 있습니다. Generator는 next 함수로 호출할 때마다 값을 생성하고 해당 값을 메모리에 올리기 때문에 대용량 데이터를 처리할 때 메모리를 효율적으로 사용할 수 있습니다. def generator(value): for i in range(value): yield i gen = generator(2) print(next(gen)) # 0 print(next(gen)) # 1 print(next(gen)) # StopIteration 에러 발생 공감수 0 댓글수 0 2022. 12. 7.
뉴럴넷의 가장 큰 단점은 무엇인가? 이를 위해 나온 Few-Shot Learning은 무엇인가? 딥러닝의 큰 장점은 매우 큰 차원수를 가진 데이터(고화질 이미지, 자연어 등)를 효과적으로 쉽게 처리할 수 있다는 점입니다. 그러나 이러한 장점을 나타내기 위해서는 가장 큰 단점으로, 연산량이 매우 크다는 것과 대량의 트레이닝 데이터가 필요하다는 점을 들 수 있습니다. 그래서 등장한 것이 소수의 예제(Few)만 있어도 성능이 우수한 모델링이 가능하도록 학습하는 방법인 Few-shot Learning이며 이를 위해 제안된 알고리즘으로는 Transfer Learning과 Meta-Learning이 있습니다. Transfer Learning(전이학습)은 큰 데이터로 학습한 가중치의 일부를 새로운 데이터에 맞춰서 학습하는 방법입니다.하지만 여전히 전이 학습도 새로운 문제에 적용하기 위해서 많은 수의 데이터와 레.. 공감수 1 댓글수 0 2022. 12. 5.
미니배치를 작게 할때의 장단점은? 배치 사이즈는 학습 시 정해야하는 하이퍼 파라미터로 이것에 따라 학습 양상과 결과가 달라질 수 있습니다. Batch size를 작게 하는 경우 sample의 수가 적어 training set의 분포에 근사하게 추정되지 않기 때문에 noise가 많아져 generalization 효과를 줄 수 있다는 장점이 있습니다. 또한 최소 요구 메모리 양이 줄어듭니다. 그러나 배치 사이즈가 작을 수록 학습에 걸리는 시간은 늘어나게 된다는 단점이 있습니다. 공감수 0 댓글수 0 2022. 12. 5.
SGD, Momentum, RMSprop, Adam에 대해서 아는 대로 설명한다면? SGD는 Stochastic Gradient Descent의 약자로 Loss Function의 값을 계산할 때 전체 train set을 사용하는 Batch Gradient Descent와 달리 데이터 한 개 또는 일부 데이터의 모음(mini-batch)에 대해서 loss function을 계산하는 방법입니다. 데이터 한 개를 사용하는 경우를 Stochastic Gradient Descent(SGD), 데이터의 일부(mini-batch)를 사용하는 경우를 mini-batch Stochastic Gradient Descent(mini-batch SGD)라고 하지만 오늘날의 딥러닝에서 일반적으로 통용되는 SGD는 mini-batch SGD입니다. SGD는 한 번의 업데이트마다 Batch Gradient Des.. 공감수 1 댓글수 0 2022. 12. 5.
Gradient Descent란 무엇이며, 왜 꼭 Gradient를 써야 할까? / 그래프에서 가로축과 세로축 각각은 무엇인가? 실제 상황에서는 그 그래프가 어떻게 그려질까? Gradient Descent란 무엇이며, 왜 꼭 Gradient를 써야 할까? 머신러닝에서는 loss function의 값이 최소가 될 때의 파라미터(Weight, Bias)를 찾는 것이 목표이다. loss function이 일반적인 2차 함수거나 복잡하지 않은 함수라면 단순히 극소점을 찾아서 최적의 파라미터를 찾을 수 있다. 그러나 현실적으로는 loss function이 복잡하기 때문에 Gradient를 이용해 loss function이 최솟값을 찾는다. Gradient는 '이렇게 변하면 y값이 가장 크게 변할 것'이라는 방향성을 나타내기 때문에 (-)값을 곱해주어 더해주면 감소하는 방향을 구하며 이 방법을 Gradient Descent라고 한다. 그래프에서 가로축과 세로축 각각은 무엇인가? 실제 상.. 공감수 0 댓글수 0 2022. 11. 28.
Weight Initialization 방법에 대해 말해주세요. 그리고 무엇을 많이 사용하나요? + Weight Initialization을 왜 사용하나요? 만약 초기 Weight 값이 0이라면 학습이 불가능할 것이며, 처음부터 Weight 값이 최적의 값들이라면 gradient 값이 작더라도 좋은 모델을 만들 수 있을 것입니다. 만약 Weight 값들을 평균 0, 표준편차 1인 표준 정규분포로 초기화 한 경우 Sigmoid 함수의 출력값이 0과 1에 치우치게 됩니다. 출력값이 0과 1에 치우치게 되면 Gradient는 0에 가까운 값을 갖게 되므로 Gradient Vanishing 문제가 일어날 수 있습니다. 따라서 Weight를 잘 설정하여 출력값의 분포를 안정화시켜주는 것이 중요합니다. Weight Initalization 방법으로는 Xavier Initalization과 He Initaliz.. 공감수 1 댓글수 0 2022. 11. 28.
앙상블 방법에는 어떤 것들이 있나요? 강력한 하나의 모델을 사용하는 것보다 약한 모델 여러개를 조합하는 방식을 앙상블이라고 합니다. 많은 모델들을 이용하기 때문에, 한 모델에서 예측이 엇나가더라도 어느정도 보정이 되기 때문에 보다 일반화된 모델을 만들 수 있습니다. 앙상블에는 Bagging, Boosting, Voting이 있습니다. Bagging은 주어진 데이터셋에서 여러번의 복원 랜덤 샘플링을 통해 새로운 데이터셋들을 만들어낸 뒤(Bootstrap) 이를 weak learner로 훈련시켜 결과를 Voting하는 방식입니다. 대표적인 예시로는 Random Forest가 있습니다. Voting은 여러 개의 모델을 학습 시킨 뒤 투표를 통해 결과를 결정하는 방식으로 Hard Voting과 Soft Voting이 있습니다. Hard Voting.. 공감수 0 댓글수 0 2022. 11. 26.
ReLU로 어떻게 곡선 함수를 근사하나요? ❓ 모델을 크게 바라보면 우리가 목적하는 task의 groundtruth에 근사(Approximation)하는 함수이다. 딥러닝에서는 Universal Approximation Theorem이란 1개의 히든 레이어를 가진 Neural Network를 이용해 어떠한 함수든 근사시킬 수 있다는 이론으로 Approximation 함수 존재를 보장한다. ReLU 함수는 이전 레이어의 편향 및 가중치를 통해 임의의 위치에서 임의의 각도로 선형 함수를 구부릴 수 있다. 또한 ReLU를 여러 개 결합하면, 곡선 함수에 근사할 수 있다. + ReLU가 비선형 함수인 이유 선형함수일려면 동차성과 가산성이 성립해야 한다. $$ ReLU = max(0, x) $$ 1. 동차성 : $ f(ax) = a f(x) $ $ a = 2.. 공감수 0 댓글수 0 2022. 11. 25.
Sigmoid 보다 ReLU를 많이 사용하는데 그 이유는? Sigmoid보다 ReLU를 많이 사용하는 이유는 기울기 소실 문제(Gradient Vanishing Problem) 때문입니다. Gradient는 Chain Rule에 의해 미분값을 연쇄적으로 곱해주는데, Sigmoid의 경우 기울기가 항상 0과 1사이 값이므로 계속 곱해주게 되면 0으로 수렴할 수 밖에 없습니다. ReLU는 음수일 때는 기울기가 0이고 양수일 때는 1이므로 backpropagation 과정에서 기울기가 소실되는 문제를 막을 수 있습니다. (음수일 때는 기울기가 0이여서 Dying ReLU 문제가 존재 → Leaky ReLU) 또한 ReLU 함수는 Sigmoid처럼 특별한 연산이 필요하지 않기 때문에 연산 속도가 빠르다는 장점을 갖고 있습니다. https://heytech.tistory.. 공감수 0 댓글수 0 2022. 11. 25.
K-means의 대표적 의미론적 단점은 무엇인가요? (계산량 많다는것 제외) K-means 알고리즘은 특성이 비슷한 데이터를 같은 그룹으로 묶어주는 클러스터링 알고리즘입니다. K개의 군집(클러스터) 개수를 만들기 위해 K개의 임의의 중심점을 배치한 뒤, 각 데이터들을 가장 가까운 중심점으로 할당하여 군집을 형성합니다. 군집으로 할당된 데이터들을 기반으로 해당 군집의 중심점을 업데이트 합니다. 이 과정을 중심점이 수렴할 때까지 반복합니다. K-means 알고리즘의 단점은 다음과 같습니다. 1. 사용자가 초기에 설정해주어야하는 군집의 개수 K의 값에 따라 성능이 달라집니다. 2. 각 데이터들과의 거리를 기준으로 군집의 중심점을 업데이트하므로 데이터의 노이즈에 민감합니다. +3. 계산량이 많은 이유: 중심점과 각각의 데이터의 거리를 전부 측정해야 하므로 계산량이 많습니다. + 클러스터.. 공감수 0 댓글수 0 2022. 11. 22.
좋은 모델의 정의는 무엇일까요? 우리가 모델을 사용하는 이유는 과거의 데이터들을 가지고 미래에 들어올 데이터에 대한 결과를 예측하기 위함이다. 모든 경우의 수에 대한 학습데이터를 모을 수 있다면 좋겠지만 이는 현실적으로 불가능하다. 따라서 일반화 능력이 좋은 모델이 좋은 모델이라고 할 수 있다. 공감수 0 댓글수 0 2022. 11. 22.
ROC 커브에 대해 설명해주세요 ROC 커브는 이진 분류 모델의 성능을 표현하는 지표이며, 가능한 모든 threshold에 대해 FPR과 TPR의 비율을 표현한 것이다. ROC 커브가 좌상단에 붙어있을 수록(FPR은 낮게, TPR은 높게) 더 좋은 이진 분류 모델이다. TPR과 FPR의 관계? (모델의 성능은 아래 분포와 같이 고정되어있다.) 의사가 감기 진단을 하는데 내원자들을 감기 환자로 판정하는 경향이 높다고 하자 (== Threshold ↓) Threshold를 낮게 한다면 실제 감기 환자들을 감기 환자라고 진단하는 경우는 높아지고(TPR ↑) 실제 감기에 걸리지 않은 환자들도 감기 환자라고 진단하는 경우가 많이진다. (FPR ↑) 2. 의사가 감기 진단을 하는데 내원자들을 감기 환자가 아니라고 판정하는 경향이 높다고 하자 (=.. 공감수 0 댓글수 0 2022. 11. 21.
Markov Chain을 설명해주세요 Markov Chain은 Markov 성질을 가진 이산 확률 과정을 말합니다. 여기서 Markov 성질이란 특정 상태의 확률은 오직 과거의 상태에 의존한다는 성질을 의미한다. 예를 들어 동전 던지기는 n번째 상태가 n+1 번째 상태에 영향을 주지 않지만 날씨 예측같이 연속적인 현상을 단순히 표현할 때는 오늘의 날씨가 맑다면 내일의 날씨는 맑을지 비가 내릴지를 확률적으로 표현하는 Markov chain으로 가정할 수 있다. https://www.puzzledata.com/blog190423/ 공감수 1 댓글수 0 2022. 11. 21.
SVM은 왜 반대로 차원을 확장시키는 방식으로 동작할까요? SVM은 왜 좋을까요? SVM(Support Vector Machine)은 선형 이진 분류 문제를 풀기 위한 선형 분류기로, 여러 결정경계 중 마진을 최대로 하는 결정경계를 선택하는 기법이다. SVM의 장점은 다음과 같다. 오류 데이터의 영향이 적다 과적합 되는 경우가 적다 SVM의 단점은 다음과 같다. 학습 속도가 느리다. SVM은 왜 반대로 차원을 확장시키는 방식으로 동작할까요? 선형으로 분리되지 않는 데이터인 경우, 선형으로 쉽게 분류할 수 있도록 고차원 공간으로 데이터를 변환한다. (Kernel Trick) 공감수 0 댓글수 0 2022. 11. 17.
PCA는 차원 축소 기법이면서, 데이터 압축 기법이기도 하고, 노이즈 제거기법이기도 합니다. 왜 그런지 설명해주실 수 있나요? PCA는 데이터를 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 찾아 그 축으로 차원을 축소하는 기법입니다. 차원은 곧 입력 데이터의 feature를 의미하므로 데이터 압축 기법이라고 볼 수 있습니다. 또한 PCA는 데이터의 분산이 가장 큰 순으로 주성분 벡터를 추출하는데, 먼저 추출되는 주성분 벡터가 데이터를 더 잘 설명할 수 있기 때문에 이렇게 높은 주성분들만 선택하면 설명력이 낮은 feature들은 배제되기 때문에 노이즈 제거 기법이라고도 볼 수 있습니다. 공감수 0 댓글수 0 2022. 11. 16.
차원 축소 기법으로 어떤 것들이 있나요? 차원 축소 기법은 크게 Feature Selection과 Feature Extraction으로 나눌 수 있습니다. Feature Selection은 말 그대로 데이터의 특징을 잘 표현하는 주요 피쳐만 선택하는 방법입니다. Feature Extraction은 기존 feature를 저차원으로 매핑하여 feature를 함축적으로 잘 설명할 수 있도록 하는 방법입니다. 대표적인 방법으로는 PCA, LDA, t-SNE 가 있습니다. ▮ PCA 데이터를 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 찾아 그 축으로 차원을 축소하는 것인데, 이 축을 주성분이라고 말합니다. 사영했을 때 분산이 크다는 것은 원래 데이터의 분포를 잘 설명할 수 있다는 것을 뜻하고 정보의 손실을 최소화 할 수 있다는 것을 뜻합니.. 공감수 0 댓글수 0 2022. 11. 16.
차원의 저주에 대해 설명해주세요 차원의 저주는 차원이 증가하면서 학습데이터 수가 차원 수보다 적어져 성능이 저하되는 현상이다. 데이터 차원이 증가할수록 공간의 크기가 증가하고 학습에 필요한 데이터수도 증가하게 된다. 그러나 학습 데이터 수는 고정되어있기 때문에 기존 데이터 간 거리가 멀어지고 빈 공간은 아무런 정보도 담겨있지 않은 0으로 채워지는 sparse한 현상이 발생한다. 정보가 없는 공간이 많아지기 때문에 학습을 하면 성능이 저하될 수 밖에 없다. 차원의 저주 문제를 해결하려면? 더 많은 데이터를 추가 차원 축소 기법을 사용한다. (PCA, LDA, LLE, MDS 등) + 차원 축소 기법에는 어떤 것들이 있나요? 공감수 0 댓글수 0 2022. 11. 16.
Normalization은 무엇이고 왜 필요한가요? Normalization(정규화) vs Regularization(정규화) Normalization : 데이터 feature들의 분포(scale)를 조절하여 균일하게 만드는 방법입니다. 데이터 자체를 정규화 시키는 것 Regularization : 모델에 테크닉적으로 정규화 시키는 것 Early Stopping Dropout data augmentation 둘 다 목적은 같다 → train에서 나온 성능을 test에서도 잘 발현시키고자 함 (generalization 성능) Normalization을 사용하는 이유? feature간의 분포(scale)차이가 매우 큰 경우, 큰 scale을 가지는 feature가 작은 scale을 가지는 feature보다 모델에 더 많이 반영되기 때문에 Normalizat.. 공감수 0 댓글수 0 2022. 11. 16.
회귀/분류 시 사용하는 metric에는 무엇이 있을까요? 회귀분석은 변수들 사이의 경향성 파악 및 실제값을 예측하는 모형을 구축하는 문제로, 예측값과 실제값 간 차이를 표현할 수 있는 metric을 사용한다. 따라서 MAE, MSE, RMSE 등의 값의 차이를 표현하는 metric을 사용한다. MAE (L1 Loss) 예측값과 실제값의 차이의 절댓값 평균 → MSE보다 이상치에 덜 민감하지만 MAE로 학습된 결과가 데이터의 중앙값으로 수렴하기 때문에 MSE에 비해 상대적으로 해석이 어렵다. MSE (L2 Loss) / RMSE 예측값과 실제값의 차이들의 제곱 평균 → 제곱을 하기 때문에 이상치에 민감하다. RMSLE RMSE처럼 MSE 값에 루트를 씌우는데, RMSE와의 차이점은 예측값과 정답값에 각각 로그를 씌운다는 점이다. 특징1. 상대적인 Error를 측.. 공감수 0 댓글수 0 2022. 11. 16.
MLE이란? Cross Entropy란? 우리가 머신러닝 모델을 만드는 이유는 여태까지 있었던 데이터를 가지고 목적하는 task의 Ground truth 확률 분포 함수에 근사한 확률 분포 함수를 통해 미래에 들어올 데이터에 대한 태스크를 정확히 수행하기 위해서이다. Ground truth 확률분포함수에 근사한 확률분포함수의 파라미터 θ를 찾기 위해 Likelihood function에 목표확률분포로부터 수집한 데이터를 입력하여 θ에 대한 확률 값의 곱을 통해 Likelihood를 최대화 하는 파라미터 θ를 찾는다. 이 Likelihood를 최대화 하는 파라미터를 찾아나가는 과정을 MLE(Maximum Likelihood Estimation)이라고 한다. + Likelihood function 더보기 입력으로 주어진 확률 분포를 표현하는 파라미.. 공감수 0 댓글수 0 2022. 9. 25.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.