시간에 따른 역전파 알고리즘은 순환 신경망(RNN)에 적용되는 역전파 알고리즘입니다. BPTT는 RNN에 적용되는 표준 역전파 알고리즘으로 볼 수 있는데, 여기서 각 시간 단계는 계산 계층을 나타내고 해당 매개변수는 계산 계층 전체에서 공유됩니다. RNN은 모든 시간 단계에서 […]

일반 기반 학습기는 로지스틱 회귀, 의사결정 트리, SVM, 신경망, 베이지안 분류기, K-최근접 이웃 등으로 구성될 수 있습니다. 개별 학습기가 훈련 데이터에서 동일한 학습 알고리즘으로 생성되는 경우 동질 앙상블이라고 할 수 있으며, 이 경우 개별 학습기를 기반 학습기라고도 합니다. 앙상블은 또한 다양한 […]를 포함할 수 있습니다.

정의 x가 범주 상태에 따라 분포가 달라지는 연속 확률 변수이고 p(x|ω) 형태로 표현된다고 가정합니다. 이는 "클래스 조건부 확률" 함수, 즉 범주 상태가 ω일 때 x의 확률 함수입니다. 클래스 조건부 확률 함수 $latex P\left(X | w_{i}\ri […]

CART는 입력 확률 변수 X가 주어졌을 때 출력 확률 변수 Y의 조건부 확률 분포에 대한 학습 방법입니다. 정의 CART 의사결정 트리가 이진 트리이고, 내부 노드 특징의 값이 "예"와 "아니오"라고 가정합니다. 왼쪽 가지는 "예" 값을 갖는 가지이고 오른쪽 가지는 "아니오" 값을 갖는 가지입니다. 이것[…]

클래스 불균형은 두 클래스의 레이블이 빈도 면에서 큰 차이를 보이는 이진 분류 문제입니다. 예를 들어, 질병 데이터 세트에서 0.0001개 샘플은 양의 클래스 레이블을 가지고 있고 0.9999개 샘플은 음의 클래스 레이블을 가지고 있는데, 이는 분류 불균형 문제입니다. 하지만 […]

폐쇄형은 어떠한 독립 변수라도 종속 변수, 즉 문제의 해결책을 찾는 데 사용될 수 있는 엄격한 공식을 말합니다. 이는 분수, 삼각함수, 지수함수, 대수, 심지어 무한급수와 같은 기본 함수를 포함하는 솔루션 형태입니다. 관련 솔루션을 찾는 데 사용되는 방법은 분석적 방법이라고도 하며, 이는 일반적인 미적분학입니다.

클러스터 분석은 머신 러닝, 데이터 마이닝, 패턴 인식, 이미지 분석, 생물정보학을 포함한 다양한 분야에서 널리 사용되는 통계적 데이터 분석 기술입니다. 클러스터링은 정적 분류를 통해 유사한 객체를 여러 그룹이나 더 많은 하위 집합으로 나누어, 동일한 하위 집합에 있는 멤버 객체가 [...]

클러스터링 앙상블은 클러스터링 결과의 정확도, 안정성, 견고성을 향상시키는 알고리즘입니다. 여러 개의 기본 클러스터링 결과를 통합하면 더 나은 결과를 얻을 수 있습니다. 이 방법의 기본 아이디어는 여러 개의 독립적인 기본 클러스터러를 사용하여 원본 데이터 세트를 클러스터링한 다음 일부 앙상블 방법을 사용하여 이를 처리하고 최상의 […]를 얻는 것입니다.

디지털 원격 제어 시스템의 디코더 구성 요소입니다. 이는 이중 안정 트리거와 코딩 스위치로 구성되어 있습니다. 각 쌍안정 상태에는 "1"과 "2"의 두 가지 상태가 있습니다. n개의 쌍안정 행렬이 계단식으로 배열되면 가능한 조합은 2n개가 됩니다. 각 조합은 이진 코드 그룹이며, 코딩 스위치는 이진 코드 그룹에 따라 연결됩니다. 인코딩 매트릭스의 목적은 명령어를 […]로 변환하는 것입니다.

ACM이 후원하고 매년 개최되는 계산 학습 이론에 관한 학회 중 하나입니다. 계산 학습 이론은 이론 컴퓨터 과학과 머신 러닝의 교차점으로 볼 수 있으므로, 일반적으로 컴퓨터 과학과 관련된 학회로 간주됩니다. 공식 웹사이트: https://learningtheory.org/colt2019 […]

경쟁 학습은 인공 신경망의 학습 방법입니다. 네트워크 구조가 고정되면 학습 과정은 연결 권한을 수정하는 것으로 축소되며, 이 중 경쟁 학습은 네트워크 단위 그룹 내 모든 단위가 외부 자극 패턴에 응답할 권한을 놓고 경쟁하는 것을 말합니다. 경쟁에서 승리한 유닛의 연결권은 이러한 자극 패턴의 경쟁에 더 유리한 방향으로 변화합니다.

구성 요소 학습기는 앙상블 학습을 기반으로 생성된 개별 학습기의 한 유형입니다. 개별 학습자가 서로 다른 학습 알고리즘에 의해 생성되는 경우 이를 이기종 앙상블이라고 하며, 이러한 개별 학습자를 구성 요소 학습자라고 합니다.

설명 가능성은 문제를 이해하거나 해결해야 할 때 필요한 관련 정보를 얻을 수 있다는 것을 의미합니다. 데이터 수준에서의 해석 가능성: 신경망이 인간의 지식 프레임워크와 일치하도록 내부 지식에 대한 명확한 상징적 표현을 갖도록 하여, 사람들이 의미 수준에서 신경망을 진단하고 수정할 수 있도록 합니다. 머신러닝은 […] 문제를 해결할 수 있습니다.

머신 러닝 분야의 분류 알고리즘은 속성을 이산 속성과 연속 속성으로 구분합니다. 이산 속성은 정수로 표현될 수도 있고 그렇지 않을 수도 있는 유한하거나 무한한 계산 가능한 값을 갖습니다. 예를 들어, hair_color, smoker, medical_test, drink_size 속성은 모두 유한한 값을 갖습니다.

계단식 상관관계는 최소한의 다층 네트워크 토폴로지를 구축하는 데 사용할 수 있는 지도 학습 아키텍처로 정의됩니다. 이 알고리즘의 장점은 사용자가 네트워크의 토폴로지 구조에 대해 걱정할 필요가 없고, 기존 학습 알고리즘보다 학습 속도가 빠르다는 것입니다. 상관 관계 알고리즘 계단형 상관 관계 알고리즘은 입력과 출력만으로 구성된 최소 네트워크로 시작하여 구현됩니다.

정의: 특정 조건 하에서 기준 물질을 포함한 측정 장비의 특성에 대한 값을 할당하기 위해 기준 표준을 사용하고 지시 오차를 결정하는 것입니다. 목적 표시의 오차를 확인하고 예상 허용 범위 내에 있는지 확인합니다. 공칭값과의 편차에 대한 보고된 값을 얻고, 측정 장비를 조정하거나 표시를 수정합니다. 어떤 […]를 주려면

정의 미분 방정식 $latex \frac{d \mathbf{x}}{dt}=\mathbf{f}(t, \mathbf{x}), \mathbf{x} \in \mathbb{R}^{n}$에 대해 $latex […]

부트스트래핑은 주어진 학습 세트에서 교체를 통한 균일 샘플링입니다. 즉, 샘플이 선택될 때마다 다시 선택되어 학습 세트에 다시 추가될 가능성이 동일합니다. 부트스트랩 방법은 1979년 Bradley Efron이 Annals of Statistics에서 처음 제안했습니다.

샘플의 경우, m개의 샘플을 포함하는 훈련 세트의 무작위 샘플링에서 매번 수집될 확률은 1m입니다. 수집되지 않을 확률은 1−1m입니다. m개의 샘플이 수집되지 않을 확률이 (1−1m)m이면 m→∞일 때 (1−1m)m→1/e≃0 […]

볼츠만 머신은 1985년 제프리 힌튼과 테리 세즈노프스키가 발명한 무작위 신경망과 순환 신경망의 한 유형입니다. 볼츠만 머신은 해당 […]을 생성하는 무작위 프로세스로 볼 수 있습니다.

정의: 이분법은 순서가 있는 요소의 목록을 입력으로 사용하는 알고리즘입니다. 검색 중인 요소가 목록에 포함되어 있으면 이진 검색은 해당 요소의 위치를 반환합니다. 그렇지 않으면 null을 반환합니다. 기본 아이디어: 이 방법은 데이터 양이 많을 때 적합합니다. 이진 탐색을 사용할 때는 데이터를 정렬해야 합니다. 데이터가 오름차순으로 정렬되어 있다고 가정합니다.

정의 이항 검정은 이분형 변수의 두 범주의 관찰 빈도를 지정된 확률 매개변수가 있는 이항 분포에서의 기대 빈도와 비교합니다. 기본적으로 두 그룹 모두의 확률 매개변수는 0.5입니다. 예: 동전을 던졌는데 앞면이 나올 확률이 1/2입니다. 이 가정에 따르면 동전을 40번 던지면 […]

분류 작업에는 두 가지 범주만 있다는 것을 나타냅니다. 예를 들어, 사진이 고양이인지 아닌지 식별하고 싶습니다. 즉, 분류기를 훈련하고, 특징 벡터 x로 표현되는 그림을 입력하고, y = 0 또는 1로 표현되는 고양이인지 출력합니다. 2클래스 분류는 각 샘플이 단 하나의 레이블 0으로 설정된다고 가정합니다.

정의: 딥 신경망은 음성 인식, 이미지 처리, 자연어 처리 등 여러 분야에서 뛰어난 성과를 보였습니다. LSTM은 RNN의 변형으로, RNN에 비해 데이터의 장기 종속성을 학습할 수 있습니다. 2005년에 Graves는 LSTM을 […]와 결합하는 것을 제안했습니다.

시간에 따른 역전파 알고리즘은 순환 신경망(RNN)에 적용되는 역전파 알고리즘입니다. BPTT는 RNN에 적용되는 표준 역전파 알고리즘으로 볼 수 있는데, 여기서 각 시간 단계는 계산 계층을 나타내고 해당 매개변수는 계산 계층 전체에서 공유됩니다. RNN은 모든 시간 단계에서 […]

일반 기반 학습기는 로지스틱 회귀, 의사결정 트리, SVM, 신경망, 베이지안 분류기, K-최근접 이웃 등으로 구성될 수 있습니다. 개별 학습기가 훈련 데이터에서 동일한 학습 알고리즘으로 생성되는 경우 동질 앙상블이라고 할 수 있으며, 이 경우 개별 학습기를 기반 학습기라고도 합니다. 앙상블은 또한 다양한 […]를 포함할 수 있습니다.

정의 x가 범주 상태에 따라 분포가 달라지는 연속 확률 변수이고 p(x|ω) 형태로 표현된다고 가정합니다. 이는 "클래스 조건부 확률" 함수, 즉 범주 상태가 ω일 때 x의 확률 함수입니다. 클래스 조건부 확률 함수 $latex P\left(X | w_{i}\ri […]

CART는 입력 확률 변수 X가 주어졌을 때 출력 확률 변수 Y의 조건부 확률 분포에 대한 학습 방법입니다. 정의 CART 의사결정 트리가 이진 트리이고, 내부 노드 특징의 값이 "예"와 "아니오"라고 가정합니다. 왼쪽 가지는 "예" 값을 갖는 가지이고 오른쪽 가지는 "아니오" 값을 갖는 가지입니다. 이것[…]

클래스 불균형은 두 클래스의 레이블이 빈도 면에서 큰 차이를 보이는 이진 분류 문제입니다. 예를 들어, 질병 데이터 세트에서 0.0001개 샘플은 양의 클래스 레이블을 가지고 있고 0.9999개 샘플은 음의 클래스 레이블을 가지고 있는데, 이는 분류 불균형 문제입니다. 하지만 […]

폐쇄형은 어떠한 독립 변수라도 종속 변수, 즉 문제의 해결책을 찾는 데 사용될 수 있는 엄격한 공식을 말합니다. 이는 분수, 삼각함수, 지수함수, 대수, 심지어 무한급수와 같은 기본 함수를 포함하는 솔루션 형태입니다. 관련 솔루션을 찾는 데 사용되는 방법은 분석적 방법이라고도 하며, 이는 일반적인 미적분학입니다.

클러스터 분석은 머신 러닝, 데이터 마이닝, 패턴 인식, 이미지 분석, 생물정보학을 포함한 다양한 분야에서 널리 사용되는 통계적 데이터 분석 기술입니다. 클러스터링은 정적 분류를 통해 유사한 객체를 여러 그룹이나 더 많은 하위 집합으로 나누어, 동일한 하위 집합에 있는 멤버 객체가 [...]

클러스터링 앙상블은 클러스터링 결과의 정확도, 안정성, 견고성을 향상시키는 알고리즘입니다. 여러 개의 기본 클러스터링 결과를 통합하면 더 나은 결과를 얻을 수 있습니다. 이 방법의 기본 아이디어는 여러 개의 독립적인 기본 클러스터러를 사용하여 원본 데이터 세트를 클러스터링한 다음 일부 앙상블 방법을 사용하여 이를 처리하고 최상의 […]를 얻는 것입니다.

디지털 원격 제어 시스템의 디코더 구성 요소입니다. 이는 이중 안정 트리거와 코딩 스위치로 구성되어 있습니다. 각 쌍안정 상태에는 "1"과 "2"의 두 가지 상태가 있습니다. n개의 쌍안정 행렬이 계단식으로 배열되면 가능한 조합은 2n개가 됩니다. 각 조합은 이진 코드 그룹이며, 코딩 스위치는 이진 코드 그룹에 따라 연결됩니다. 인코딩 매트릭스의 목적은 명령어를 […]로 변환하는 것입니다.

ACM이 후원하고 매년 개최되는 계산 학습 이론에 관한 학회 중 하나입니다. 계산 학습 이론은 이론 컴퓨터 과학과 머신 러닝의 교차점으로 볼 수 있으므로, 일반적으로 컴퓨터 과학과 관련된 학회로 간주됩니다. 공식 웹사이트: https://learningtheory.org/colt2019 […]

경쟁 학습은 인공 신경망의 학습 방법입니다. 네트워크 구조가 고정되면 학습 과정은 연결 권한을 수정하는 것으로 축소되며, 이 중 경쟁 학습은 네트워크 단위 그룹 내 모든 단위가 외부 자극 패턴에 응답할 권한을 놓고 경쟁하는 것을 말합니다. 경쟁에서 승리한 유닛의 연결권은 이러한 자극 패턴의 경쟁에 더 유리한 방향으로 변화합니다.

구성 요소 학습기는 앙상블 학습을 기반으로 생성된 개별 학습기의 한 유형입니다. 개별 학습자가 서로 다른 학습 알고리즘에 의해 생성되는 경우 이를 이기종 앙상블이라고 하며, 이러한 개별 학습자를 구성 요소 학습자라고 합니다.

설명 가능성은 문제를 이해하거나 해결해야 할 때 필요한 관련 정보를 얻을 수 있다는 것을 의미합니다. 데이터 수준에서의 해석 가능성: 신경망이 인간의 지식 프레임워크와 일치하도록 내부 지식에 대한 명확한 상징적 표현을 갖도록 하여, 사람들이 의미 수준에서 신경망을 진단하고 수정할 수 있도록 합니다. 머신러닝은 […] 문제를 해결할 수 있습니다.

머신 러닝 분야의 분류 알고리즘은 속성을 이산 속성과 연속 속성으로 구분합니다. 이산 속성은 정수로 표현될 수도 있고 그렇지 않을 수도 있는 유한하거나 무한한 계산 가능한 값을 갖습니다. 예를 들어, hair_color, smoker, medical_test, drink_size 속성은 모두 유한한 값을 갖습니다.

계단식 상관관계는 최소한의 다층 네트워크 토폴로지를 구축하는 데 사용할 수 있는 지도 학습 아키텍처로 정의됩니다. 이 알고리즘의 장점은 사용자가 네트워크의 토폴로지 구조에 대해 걱정할 필요가 없고, 기존 학습 알고리즘보다 학습 속도가 빠르다는 것입니다. 상관 관계 알고리즘 계단형 상관 관계 알고리즘은 입력과 출력만으로 구성된 최소 네트워크로 시작하여 구현됩니다.

정의: 특정 조건 하에서 기준 물질을 포함한 측정 장비의 특성에 대한 값을 할당하기 위해 기준 표준을 사용하고 지시 오차를 결정하는 것입니다. 목적 표시의 오차를 확인하고 예상 허용 범위 내에 있는지 확인합니다. 공칭값과의 편차에 대한 보고된 값을 얻고, 측정 장비를 조정하거나 표시를 수정합니다. 어떤 […]를 주려면

정의 미분 방정식 $latex \frac{d \mathbf{x}}{dt}=\mathbf{f}(t, \mathbf{x}), \mathbf{x} \in \mathbb{R}^{n}$에 대해 $latex […]

부트스트래핑은 주어진 학습 세트에서 교체를 통한 균일 샘플링입니다. 즉, 샘플이 선택될 때마다 다시 선택되어 학습 세트에 다시 추가될 가능성이 동일합니다. 부트스트랩 방법은 1979년 Bradley Efron이 Annals of Statistics에서 처음 제안했습니다.

샘플의 경우, m개의 샘플을 포함하는 훈련 세트의 무작위 샘플링에서 매번 수집될 확률은 1m입니다. 수집되지 않을 확률은 1−1m입니다. m개의 샘플이 수집되지 않을 확률이 (1−1m)m이면 m→∞일 때 (1−1m)m→1/e≃0 […]

볼츠만 머신은 1985년 제프리 힌튼과 테리 세즈노프스키가 발명한 무작위 신경망과 순환 신경망의 한 유형입니다. 볼츠만 머신은 해당 […]을 생성하는 무작위 프로세스로 볼 수 있습니다.

정의: 이분법은 순서가 있는 요소의 목록을 입력으로 사용하는 알고리즘입니다. 검색 중인 요소가 목록에 포함되어 있으면 이진 검색은 해당 요소의 위치를 반환합니다. 그렇지 않으면 null을 반환합니다. 기본 아이디어: 이 방법은 데이터 양이 많을 때 적합합니다. 이진 탐색을 사용할 때는 데이터를 정렬해야 합니다. 데이터가 오름차순으로 정렬되어 있다고 가정합니다.

정의 이항 검정은 이분형 변수의 두 범주의 관찰 빈도를 지정된 확률 매개변수가 있는 이항 분포에서의 기대 빈도와 비교합니다. 기본적으로 두 그룹 모두의 확률 매개변수는 0.5입니다. 예: 동전을 던졌는데 앞면이 나올 확률이 1/2입니다. 이 가정에 따르면 동전을 40번 던지면 […]

분류 작업에는 두 가지 범주만 있다는 것을 나타냅니다. 예를 들어, 사진이 고양이인지 아닌지 식별하고 싶습니다. 즉, 분류기를 훈련하고, 특징 벡터 x로 표현되는 그림을 입력하고, y = 0 또는 1로 표현되는 고양이인지 출력합니다. 2클래스 분류는 각 샘플이 단 하나의 레이블 0으로 설정된다고 가정합니다.

정의: 딥 신경망은 음성 인식, 이미지 처리, 자연어 처리 등 여러 분야에서 뛰어난 성과를 보였습니다. LSTM은 RNN의 변형으로, RNN에 비해 데이터의 장기 종속성을 학습할 수 있습니다. 2005년에 Graves는 LSTM을 […]와 결합하는 것을 제안했습니다.