귀납은 일련의 구체적인 사실로부터 일반적인 원칙을 일반화하는 추론 과정입니다. 수학적 귀납이란 여러 가지 사물에서 일반적인 개념, 원리 또는 결론을 일반화하는 사고방식을 말합니다. 귀납은 완전 귀납과 불완전 귀납으로 나눌 수 있습니다. 완전 귀납: 이 유형의 모든 대상을 포함하므로 이 유형의 대상을 일반화합니다.

귀납적 학습은 종종 상징적 학습에 사용되는 기계 학습 방법입니다. 이는 주로 개념에 대한 일련의 알려진 긍정적, 부정적 예를 통해 개념 설명을 요약한 것입니다. 귀납적 학습을 통해 새로운 개념을 습득하고, 새로운 규칙을 만들고, 새로운 이론을 발견할 수 있습니다. 일반적인 작업은 일반화와 특수화이며, 여기서 일반화는 […]의 확장을 의미합니다.

누적 오류 역전파 알고리즘(ABP 알고리즘)은 표준 역전파(BP) 알고리즘의 변형입니다. 누적 오차를 최소화하는 것에 기반한 업데이트 규칙이 도출되면 누적 오차 역전파 알고리즘이 얻어진다.

힌지 손실 함수는 힌지 모양을 하고 있는데, 여기서 힌지 손실 함수의 이름이 유래되었습니다. 이 손실 함수는 주로 지원 벡터 머신에 존재합니다. 정확한 분류가 필요할 뿐만 아니라 신뢰도가 충분히 높을 때만 손실이 0이 되어야 합니다. 즉, 힌지 손실 함수는 학습에 더 높은 요구 사항을 갖습니다. 힌지 손실 함수의 공식은 L(y(w*x[…]입니다.

하이브리드 컴퓨팅은 기존의 하드 컴퓨팅과 새로운 소프트 컴퓨팅을 포함하는 통합 컴퓨팅 유형입니다. 이 컴퓨팅 방법은 각각의 장점을 활용하여 한계를 극복할 수 있습니다. 하드 컴퓨팅의 주요 특징은 다음과 같습니다. 문제에 대한 표준적인 수학적 모델을 쉽게 확립할 수 있습니다. 확립된 수학적 모델은 풀기 쉽고 높은 정확도를 달성할 수 있습니다. 안정성이 좋습니다. 부드러운[…]

가우스 커널 함수는 유한 차원 데이터를 고차원 공간에 매핑할 수 있는 일반적으로 사용되는 커널 함수입니다. 가우시안 커널 함수는 다음과 같이 정의됩니다. $latex {k{ \left( {x,x\text{'}} \right) }\text{ }=\text{ }e\m […]

가우스 혼합 모델 GMM은 가우스 확률 밀도 함수를 기반으로 하며, 어떤 모양의 밀도 분포도 원활하게 근사할 수 있습니다. GMM은 여러 가지 모델을 갖추고 있으며 세분화 특성이 뛰어나 복잡한 객체 모델링에도 사용할 수 있습니다. 관찰 데이터 배치 $latex {X\text{ }=\text […]가 있다고 가정합니다.

일반화 선형 모형은 종속 변수가 정규 분포가 아닌 다른 분포를 가질 수 있도록 하는 유연한 선형 회귀 모형입니다. 정의 일반화 선형 모형은 단순 최소 제곱 회귀의 확장된 형태입니다. 각 데이터 관찰 가 지수적 분포에서 나온다고 가정합니다. 그러면 분포의 평균은 […]입니다.

귀납적 편향은 머신 러닝의 일련의 가정으로 볼 수 있습니다. 이는 머신 러닝에서 목적 함수의 필수 가정으로 사용됩니다. 가장 전형적인 예는 오컴의 면도날이다. 귀납적 편향은 수학적 논리에 기반을 두고 있지만, 실제 적용에서 학습자의 귀납적 편향은 매우 대략적인 설명일 수도 있고, 그보다 더 단순할 수도 있습니다. 이에 비해 이론적인 값은 […]

커널 방법은 일종의 패턴 인식 알고리즘으로, 데이터 집합에서 상호 관계를 찾아 학습하는 것을 목표로 합니다. 커널 방법은 다음과 같은 가정에 기초합니다. "저차원 공간에서 선형적으로 분리될 수 없는 점 집합은 고차원 공간의 점 집합으로 변환된 후 선형적으로 분리될 수 있습니다." 커널 방법에 대한 기본 지식: 원시 데이터의 패턴은 […]

일반화된 레이리 엔트로피는 레이리 엔트로피의 확장으로 볼 수 있으며, 레이리 엔트로피는 함수 R(A,B,x)를 나타냅니다. $latex {R{ \left( {A,B,x} \right) }\text{ }=\text{ }\frac{{x\mathop{{}}\nolim […]

귀납적 논리 프로그래밍(ILP)은 1차 규칙 학습에 함수와 논리 표현식의 중첩을 도입하고 1차 논리를 표현식 언어로 사용하는 상징적 규칙 학습 방법입니다. ILP는 머신 러닝 시스템이 더욱 강력한 표현 능력을 갖도록 해줍니다. 동시에 이는 기계 학습의 한 응용 프로그램으로 볼 수 있으며, 주로 배경 […]에 기반한 문제를 해결하는 데 사용됩니다.

커널 트릭은 $latex \langle\phi(x), \phi(z)\rangle $를 커널 함수를 이용하여 직접 계산하는 방법으로, $latex \phi(x) $와 $latex \phi(z) $를 따로 계산하지 않고도 커널 방법 계산을 빠르게 할 수 있는 방법입니다.

재귀적 신경망은 단어, 문장, 문단 및 기사를 의미에 따라 동일한 벡터 공간에 매핑할 수 있는 표현 학습 방법입니다. 즉, 결합 가능한(트리/그래프 구조) 정보를 의미 있는 벡터로 표현할 수 있습니다.

음의 상관관계는 변수의 두 열이 반대 방향으로 변한다는 것을 의미합니다. 변수의 한 열이 변경되면 다른 변수 열은 이전 변수와 반대 방향으로 변경됩니다.

단변수 의사결정 트리는 변수가 하나뿐인 의사결정 트리입니다. 즉, 노드가 분할될 때마다 기능 세트에서 하나의 기능만 선택되며, 이는 의사결정 트리의 분류 경계가 좌표 축과 평행한 여러 세그먼트로 구성된다는 것을 의미합니다.

음의 로그 우도는 분류 문제를 해결하는 데 사용되는 손실 함수입니다. 이는 우도 함수의 자연대수 형태이며 두 확률 분포 사이의 유사성을 측정하는 데 사용될 수 있습니다. 음수 기호는 최대 가능도 값을 최소 손실에 대응시키는 데 사용됩니다. 이는 최대 우도 추정 및 관련 분야에서 흔히 사용되는 함수 형태입니다. 머신러닝에서는 최적화를 사용하는 것이 일반적입니다. […]

비볼록 최적화는 머신 러닝과 신호 처리 분야의 방법입니다. 비볼록 문제에 대한 완화를 사용하지 않고 문제를 직접 해결하거나 비볼록 공식을 직접 최적화하는 방법을 말합니다.

비선형 모형은 독립변수와 종속변수 사이에 비선형 관계가 있는 수학적 표현을 말합니다. 선형 모델과 비교했을 때, 종속 변수와 독립 변수는 좌표 공간에서 선형 대응으로 표현될 수 없습니다.

비거리 거리는 직접성을 만족하지 않는 매개변수 간의 거리를 말합니다.

음이 아닌 행렬 분해(NMF)는 모든 요소가 음이 아닌 제약 조건을 충족하는 행렬 분해 방법입니다.

규범은 수학의 기본 함수입니다. 이는 벡터 공간(또는 행렬)에서 벡터의 길이나 크기를 측정하는 데 자주 사용됩니다. 모델 매개변수의 규범은 정규화 함수로 사용될 수 있습니다.

ODE는 반순수 베이즈 분류기에 가장 일반적으로 사용되는 전략입니다. 소위 고유 종속성이란 각 속성이 범주 외부의 최대 하나의 다른 속성에만 의존한다고 가정하는 것입니다.

다항식 커널 함수는 다항식 형태로 표현된 커널 함수를 말합니다. 직교 정규화된 데이터에 적합한 비표준 커널 함수입니다. 그 구체적인 형태는 그림에 나타나 있다.

귀납은 일련의 구체적인 사실로부터 일반적인 원칙을 일반화하는 추론 과정입니다. 수학적 귀납이란 여러 가지 사물에서 일반적인 개념, 원리 또는 결론을 일반화하는 사고방식을 말합니다. 귀납은 완전 귀납과 불완전 귀납으로 나눌 수 있습니다. 완전 귀납: 이 유형의 모든 대상을 포함하므로 이 유형의 대상을 일반화합니다.

귀납적 학습은 종종 상징적 학습에 사용되는 기계 학습 방법입니다. 이는 주로 개념에 대한 일련의 알려진 긍정적, 부정적 예를 통해 개념 설명을 요약한 것입니다. 귀납적 학습을 통해 새로운 개념을 습득하고, 새로운 규칙을 만들고, 새로운 이론을 발견할 수 있습니다. 일반적인 작업은 일반화와 특수화이며, 여기서 일반화는 […]의 확장을 의미합니다.

누적 오류 역전파 알고리즘(ABP 알고리즘)은 표준 역전파(BP) 알고리즘의 변형입니다. 누적 오차를 최소화하는 것에 기반한 업데이트 규칙이 도출되면 누적 오차 역전파 알고리즘이 얻어진다.

힌지 손실 함수는 힌지 모양을 하고 있는데, 여기서 힌지 손실 함수의 이름이 유래되었습니다. 이 손실 함수는 주로 지원 벡터 머신에 존재합니다. 정확한 분류가 필요할 뿐만 아니라 신뢰도가 충분히 높을 때만 손실이 0이 되어야 합니다. 즉, 힌지 손실 함수는 학습에 더 높은 요구 사항을 갖습니다. 힌지 손실 함수의 공식은 L(y(w*x[…]입니다.

하이브리드 컴퓨팅은 기존의 하드 컴퓨팅과 새로운 소프트 컴퓨팅을 포함하는 통합 컴퓨팅 유형입니다. 이 컴퓨팅 방법은 각각의 장점을 활용하여 한계를 극복할 수 있습니다. 하드 컴퓨팅의 주요 특징은 다음과 같습니다. 문제에 대한 표준적인 수학적 모델을 쉽게 확립할 수 있습니다. 확립된 수학적 모델은 풀기 쉽고 높은 정확도를 달성할 수 있습니다. 안정성이 좋습니다. 부드러운[…]

가우스 커널 함수는 유한 차원 데이터를 고차원 공간에 매핑할 수 있는 일반적으로 사용되는 커널 함수입니다. 가우시안 커널 함수는 다음과 같이 정의됩니다. $latex {k{ \left( {x,x\text{'}} \right) }\text{ }=\text{ }e\m […]

가우스 혼합 모델 GMM은 가우스 확률 밀도 함수를 기반으로 하며, 어떤 모양의 밀도 분포도 원활하게 근사할 수 있습니다. GMM은 여러 가지 모델을 갖추고 있으며 세분화 특성이 뛰어나 복잡한 객체 모델링에도 사용할 수 있습니다. 관찰 데이터 배치 $latex {X\text{ }=\text […]가 있다고 가정합니다.

일반화 선형 모형은 종속 변수가 정규 분포가 아닌 다른 분포를 가질 수 있도록 하는 유연한 선형 회귀 모형입니다. 정의 일반화 선형 모형은 단순 최소 제곱 회귀의 확장된 형태입니다. 각 데이터 관찰 가 지수적 분포에서 나온다고 가정합니다. 그러면 분포의 평균은 […]입니다.

귀납적 편향은 머신 러닝의 일련의 가정으로 볼 수 있습니다. 이는 머신 러닝에서 목적 함수의 필수 가정으로 사용됩니다. 가장 전형적인 예는 오컴의 면도날이다. 귀납적 편향은 수학적 논리에 기반을 두고 있지만, 실제 적용에서 학습자의 귀납적 편향은 매우 대략적인 설명일 수도 있고, 그보다 더 단순할 수도 있습니다. 이에 비해 이론적인 값은 […]

커널 방법은 일종의 패턴 인식 알고리즘으로, 데이터 집합에서 상호 관계를 찾아 학습하는 것을 목표로 합니다. 커널 방법은 다음과 같은 가정에 기초합니다. "저차원 공간에서 선형적으로 분리될 수 없는 점 집합은 고차원 공간의 점 집합으로 변환된 후 선형적으로 분리될 수 있습니다." 커널 방법에 대한 기본 지식: 원시 데이터의 패턴은 […]

일반화된 레이리 엔트로피는 레이리 엔트로피의 확장으로 볼 수 있으며, 레이리 엔트로피는 함수 R(A,B,x)를 나타냅니다. $latex {R{ \left( {A,B,x} \right) }\text{ }=\text{ }\frac{{x\mathop{{}}\nolim […]

귀납적 논리 프로그래밍(ILP)은 1차 규칙 학습에 함수와 논리 표현식의 중첩을 도입하고 1차 논리를 표현식 언어로 사용하는 상징적 규칙 학습 방법입니다. ILP는 머신 러닝 시스템이 더욱 강력한 표현 능력을 갖도록 해줍니다. 동시에 이는 기계 학습의 한 응용 프로그램으로 볼 수 있으며, 주로 배경 […]에 기반한 문제를 해결하는 데 사용됩니다.

커널 트릭은 $latex \langle\phi(x), \phi(z)\rangle $를 커널 함수를 이용하여 직접 계산하는 방법으로, $latex \phi(x) $와 $latex \phi(z) $를 따로 계산하지 않고도 커널 방법 계산을 빠르게 할 수 있는 방법입니다.

재귀적 신경망은 단어, 문장, 문단 및 기사를 의미에 따라 동일한 벡터 공간에 매핑할 수 있는 표현 학습 방법입니다. 즉, 결합 가능한(트리/그래프 구조) 정보를 의미 있는 벡터로 표현할 수 있습니다.

음의 상관관계는 변수의 두 열이 반대 방향으로 변한다는 것을 의미합니다. 변수의 한 열이 변경되면 다른 변수 열은 이전 변수와 반대 방향으로 변경됩니다.

단변수 의사결정 트리는 변수가 하나뿐인 의사결정 트리입니다. 즉, 노드가 분할될 때마다 기능 세트에서 하나의 기능만 선택되며, 이는 의사결정 트리의 분류 경계가 좌표 축과 평행한 여러 세그먼트로 구성된다는 것을 의미합니다.

음의 로그 우도는 분류 문제를 해결하는 데 사용되는 손실 함수입니다. 이는 우도 함수의 자연대수 형태이며 두 확률 분포 사이의 유사성을 측정하는 데 사용될 수 있습니다. 음수 기호는 최대 가능도 값을 최소 손실에 대응시키는 데 사용됩니다. 이는 최대 우도 추정 및 관련 분야에서 흔히 사용되는 함수 형태입니다. 머신러닝에서는 최적화를 사용하는 것이 일반적입니다. […]

비볼록 최적화는 머신 러닝과 신호 처리 분야의 방법입니다. 비볼록 문제에 대한 완화를 사용하지 않고 문제를 직접 해결하거나 비볼록 공식을 직접 최적화하는 방법을 말합니다.

비선형 모형은 독립변수와 종속변수 사이에 비선형 관계가 있는 수학적 표현을 말합니다. 선형 모델과 비교했을 때, 종속 변수와 독립 변수는 좌표 공간에서 선형 대응으로 표현될 수 없습니다.

비거리 거리는 직접성을 만족하지 않는 매개변수 간의 거리를 말합니다.

음이 아닌 행렬 분해(NMF)는 모든 요소가 음이 아닌 제약 조건을 충족하는 행렬 분해 방법입니다.

규범은 수학의 기본 함수입니다. 이는 벡터 공간(또는 행렬)에서 벡터의 길이나 크기를 측정하는 데 자주 사용됩니다. 모델 매개변수의 규범은 정규화 함수로 사용될 수 있습니다.

ODE는 반순수 베이즈 분류기에 가장 일반적으로 사용되는 전략입니다. 소위 고유 종속성이란 각 속성이 범주 외부의 최대 하나의 다른 속성에만 의존한다고 가정하는 것입니다.

다항식 커널 함수는 다항식 형태로 표현된 커널 함수를 말합니다. 직교 정규화된 데이터에 적합한 비표준 커널 함수입니다. 그 구체적인 형태는 그림에 나타나 있다.