다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
기계저널 : 大韓機械學會誌, v.54 no.2 = no.399, 2014년, pp.46 - 51
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 어떤 미지변수의 불확실성은? | 베이지안 이론의 핵심은 베이 법칙(Bayes’Rule)이다. 이에 의하면 어떤 미지변수의 불확실성은 확률분포로 표현되며, 이는 과거의 경험에 기초한 주관적(Subjective) 사전 지식(Prior Knowledge)과 현재의 데이터에 기반한 객관적(Objective) 우도(Likelihood)의 곱으로 주어진다. 이를 식으로 표현하면 그림 2(a)와 같으며, 사전 분포(Prior Distribution) p(q)와 데이터 x의 우도 L(x|q)의 곱에 의해 미지변수 q의 사후분포 p(q|x)가 얻어짐을 나타내고 있다. | |
| 베이지안 이론의 핵심은? | 베이지안 이론의 핵심은 베이 법칙(Bayes’Rule)이다. 이에 의하면 어떤 미지변수의 불확실성은 확률분포로 표현되며, 이는 과거의 경험에 기초한 주관적(Subjective) 사전 지식(Prior Knowledge)과 현재의 데이터에 기반한 객관적(Objective) 우도(Likelihood)의 곱으로 주어진다. | |
| 베이지안 접근법에서 객관적 데이터와 주관적 지식을 하나의 프레임워크 내에서 통합 고려하는 것이 가능한 이유는? | 베이지안 이론의 핵심은 베이 법칙(Bayes’Rule)이다. 이에 의하면 어떤 미지변수의 불확실성은 확률분포로 표현되며, 이는 과거의 경험에 기초한 주관적(Subjective) 사전 지식(Prior Knowledge)과 현재의 데이터에 기반한 객관적(Objective) 우도(Likelihood)의 곱으로 주어진다. 이를 식으로 표현하면 그림 2(a)와 같으며, 사전 분포(Prior Distribution) p(q)와 데이터 x의 우도 L(x|q)의 곱에 의해 미지변수 q의 사후분포 p(q|x)가 얻어짐을 나타내고 있다. 이로 인해 베이지안 접근법에서는 객관적 데이터와 주관적 지식을 하나의 프레임워크 내에서 통합 고려하는 것이 가능하다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.