ChatGPT4 답변 베이즈 추론에서 MCMC (Markov Chain Monte Carlo)와 변분 추론 (Variational Inference, VI)는 사후 분포를 추정하는 두 가지 주요 방법입니다. 각 방법의 특징 및 장단점을 다음과 같이 요약할 수 있습니다: MCMC (Markov Chain Monte Carlo): 장점: 단점: 변분 추론 (Variational Inference, VI): 장점: 단점: 결론적으로, MCMC와 VI는 각각의 장단점을 가지고 있으며, 특정 문제나 응용 …
[Julia, Turing] MCMC와 VI(변분추론) 장단점 그리고 둘 중 트레이딩에 적합한것은 ? 더 보기 »
Bayesian Neural Network으로 데이터의 파라미터를 추정하고 분류하고 평가하기 위한 처리 흐름도 Neural Network는 예를 들어 이 예제 처럼 선형회귀(Linear Regression)으로 분류하기 어려운 분류를 수행 할 수 있다.
Neural Network는 예를 들어 이 예제 처럼 선형회귀(Linear Regression)으로 분류하기 어려운 분류를 수행 할 수 있다. 베이즈 추론과 샘플링으로 얻고 싶은것은 신경망의 가중치와 편향에 대한 사후분포를 얻고 이를 통해 신경망을 재구성 하여 선형회귀에서 분류하기 어려운 분류 문제를 해결한다. 이 튜토리얼에서는 머신러닝 도구 제품군인 Turing과 Flux의 조합을 사용해 베이지안 신경망을 구현하는 방법을 보여드립니다. 분류 알고리즘을 구현하는 …
tutorial_bayesian_logistic_regression_basic Bayesian logistic regression 기초¶ 베이지안 로지스틱 회귀는 머신 러닝의 일반적인 도구인 로지스틱 회귀에 대한 베이지안 대응 개념입니다. 로지스틱 회귀의 목표는 주어진 훈련 항목에 대해 1 또는 0을 예측하는 것입니다. 예를 들어, 증상과 개인 정보를 바탕으로 누군가가 아픈지 아픈지 예측할 수 있습니다. 로지스틱회기 베이지안 로지스틱 회기 01 Odds(승산)에서 Logistic 유도하기¶ $P$ : 사건이 발생할 확률 …
[Julia, Turing] Tutorial –Bayesian logistic regression 기초 더 보기 »
[Q] turing에서 사용하는 MLE, MAP의 opimizer를 나열하고 비교해줘 [A] Turing.jl은 다양한 최적화 알고리즘을 제공하는 Optim.jl 라이브러리와 함께 작동하여 MLE (Maximum Likelihood Estimation) 및 MAP (Maximum A Posteriori) 추정을 수행합니다. Optim.jl에는 여러 최적화 알고리즘이 포함되어 있습니다. 주요한 것들은 다음과 같습니다: 비교: Turing.jl에서 사용할 최적화 알고리즘은 모델과 데이터의 특성에 따라 다를 수 있습니다. 따라서, 주어진 문제에 가장 …
[Julia, 통계,Optimizer] Turing MLE, MAP Optimizer 비교 (with ChatGPT) 더 보기 »
아직 튜링을 재대로 보지 못한 상태에서 전편에 이어 이번에는 Turing이 샘플링 하는 것을 을 좀 더 구체적으로 잘 이해하기 위해 Metropolis-Hasting(MH)를 직접 구현하여 튜링이 샘플링하는 방법을 추정 해 봅니다. 또한 MH로 샘플링 한것과 튜링으로 샘플링 한것을 비교 해 봅니다. 튜링에서 likelihood를 샘플링 하는 방법도 고민 해 봤습니다.
“Conducting Bayesian Inference in Python using PyMC3” 를 Julia Turing 버전으로 옮겨 봤습니다.
원문( MCMC: The Metropolis-Hastings Sampler ) [백업] 의 Julia 1.5.3 버전의 구현 입니다.원문에서는 R을 사용한 샘플 코드를 제공 하고 있습니다. MH(Metropolis-Hastings) 샘플시 제안분포(Proposal Distribution)을 대칭분포 예를 들어 정규분포 등을 사용한 예제를 많이 제공하고 있느데 여기서는 비대칭 분포를 사용하여 샘플링하는 방법에 대해 소개 하고 있습니다.
