Turing

[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 더 읽기"

[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 ? 더 읽기"

[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? 더 읽기"

[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 더 읽기"

[Julia, Turing] Tutorial –Bayesian logistic regression 기초

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 읽기"