5일차 학습정리

강의 복습 내용

8. 베이즈 통계론 맛보기

$P(\theta \mid \mathcal{D})=P(\theta) \frac{P(\mathcal{D} \mid \theta)}{P(\mathcal{D})}$

$P(\theta \mid \mathcal{D})$ : Posterior (사후 확률)
$P(\theta)$ : Prior (사전 확률)
$P(\mathcal{D} \mid \theta)$ : Likelihood (가능도)
$P(\mathcal{D})$ : Evidence

$P(\theta)$, $P(\mathscr{D} \mid \theta)$ - True Positive
$P(\theta)$, $P(\neg \mathscr{D} \mid \theta)$ - False Negative
$P(\neg \theta)$, $P(\mathscr{D} \mid \neg \theta)$ - False Positive
$P(\neg \theta)$, $P(\neg \mathscr{D} \mid \neg \theta)$ - True Positive
$P(\theta \mid \mathscr{D})$ - Precision (정밀도)
$P(\mathscr{D} \mid \theta)$ - Recall (민감도)

• 인과 관계
  데이터 분포의 변화에 강건한(Robust) 예측 모형을 만들 때 필요
  중첩요인(Confounding Factor)의 효과를 제거해야 해당 변수끼리의 인과 관계를 알 수 있다.

과제 수행과정, 결과 정리

선택과제 1 Gradient Descent

Gradient descent error plot

Mini-batch gradient descent error plot

피어세션 정리

8월 6일 금요일 피어세션

• 추창한님 새로 오셨습니다!!
• 코딩테스트 이야기
• 멘토님과의 대화내용
• 한준님의 공분산, 왜도, numpy random 함수, MLE, 선형변환 내용발표 & 알고리즘 풀이방법 공유
• 전공에 대한 고민 공유

학습회고

선택과제1만 수행했는데, 주말동안 선택과제 2,3도 더 살펴보고 다음 주 일정으로 넘어가고 싶다.