일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- WBP
- Font Generation
- 딥러닝
- animation retargeting
- 디퓨전모델
- motion matching
- 모션매칭
- CNN
- RNN
- cv
- userwidget
- NLP
- deep learning
- ue5.4
- 생성모델
- dl
- Stat110
- 폰트생성
- Unreal Engine
- Few-shot generation
- Generative Model
- Diffusion
- 오블완
- UE5
- WinAPI
- multimodal
- BERT
- ddpm
- GAN
- 언리얼엔진
Archives
- Today
- Total
목록Bayes Theorem (1)
Deeper Learning
Bayes' theorem Introduction
조건부 확률 사건 B가 일어난 상황에서 사건 A가 발생할 확률 베이즈 통계학은 조건부 확률을 사용한 통계학 베이즈 정리 사전 확률로부터 사후 확률을 구할 수 있다. 베이즈 정리는 불확실성 하에서 의사결정문제를 수학적으로 다룰 때 중요하게 이용된다. 전통적인 확률이 연역적 추론에 기반을 두고 있다면 베이즈 정리는 확률임에도 귀납적, 경험적인 추론을 사용한다. A는 관측을 통해 값을 알아낼 수 있는 대상이며, B는 불확실성 하의 계산 대상이라고 하면 B의 확률은 $P(B)$에서 $P(B|A)$로 변화하고, 베이즈 정리로 이 변화를 계산할 수 있다. 새로운 데이터가 들어왔을 때 앞서 계산한 사후 확률을 사전 확률로 사용하여 정보의 갱신을 통해 새로운 데이터의 정보를 반영한 갱신된 사후 확률을 구할 수 있다. ..
Statistics & Math
2021. 2. 1. 20:01