Bayesian

[Julia, Turing] Tutorial – 08 Multinormial Logistic Regression

베이즈 다항 로지스틱 회귀(Multinormial Logistic Regression)를 사용하는 방법과 이를 사용하여 Iris(붓꽃) 의 특성과 분류를 학습하고 신규 특성으로 부터 붓꽃을 분류하는 방법을 알아 봅니다. 키워드 베이즈 다항 로지스틱 회귀 프로세스

[Julia, Turing] Tutorial – 08 Multinormial Logistic Regression Read More »

[Julia, Turing] MCMC와 VI(변분추론) 장단점 그리고 둘 중 트레이딩에 적합한것은 ?

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 ? Read More »

[Julia, Turing] Julia Turing package를 사용하여 사후분포를 온라인 업데이트 가능하게 할 수 있나?

ChatGPT4의 답변 Turing.jl은 Julia 언어에서 베이지안 통계 모델링을 위한 패키지입니다. 기본적으로 Turing.jl은 정적 데이터에 대한 사후 분포를 추정하는 데 사용됩니다. 그러나 온라인 업데이트, 즉 새로운 데이터가 도착할 때마다 사후 분포를 업데이트하는 것은 전통적인 MCMC 방법으로는 직접적으로 구현하기 어렵습니다. 온라인 베이지안 업데이트를 위해서는 다음과 같은 접근 방법을 고려할 수 있습니다: Turing.jl 자체는 기본적으로 온라인 업데이트 기능을

[Julia, Turing] Julia Turing package를 사용하여 사후분포를 온라인 업데이트 가능하게 할 수 있나? Read More »

[Julia, Turing] Tutorial – Bayesian Neural Network 장단점

데이터가 많지 않거나 제한 적인 경우 상당히 효과적 입니다. 장점 불확실성 추정: BNNs는 파라미터의 불확실성을 직접적으로 모델링합니다. 이는 데이터가 제한적일 때 특히 중요합니다. 예측의 불확실성을 알게 되면, 모델의 예측에 대한 신뢰도를 더 잘 이해할 수 있습니다. 오버피팅 방지: 제한된 데이터에서 복잡한 모델을 학습할 때 오버피팅(overfitting)은 주요 문제가 될 수 있습니다. BNNs는 파라미터의 분포를 사용하여 오버피팅을

[Julia, Turing] Tutorial – Bayesian Neural Network 장단점 Read More »

[Julia, Turing] Tutorial – Bayesian Neural Network

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

[Julia, Turing] Tutorial – Bayesian Neural Network Read More »