아직 까지 Pluto v0.19.27에서도 Jupyter notebook 처럼 원격접속시 password기반이나 다른방식의 로그인을 지원 하지 않고 있어 접속시 보안이슈가 있다 이를 해결하기 위한 현재 Pluto는 시작시 원격접속용 보안 접속URL을 생성하여 콘솔에 보여준다. 이 URL을 통해 접속 할 수 있다. Pluto를 백그라운드로 실행 하고 보안 URL을 파일로 저장하도록 redirect하는 경우도 Pluto에서 로그를 buffering하고 있어 즉시 console에 출력되지 않아 […]
[Julia, Pluto] Pluto 원격 실행, 보안 접속 URL 및 실행로그 저장, 파일 폴더변경 Read More »
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 »
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 »
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 »
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.
[Julia, Turing] Tutorial – Bayesian Neural Network 처리 흐름도 Read More »
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 »
Bayesian Logistic Regression으로 데이터의 파라미터를 추정하고 분류하고 평가하기 위한 처리 흐름도
[Julia, Turing] Tutorial – Bayesian Logistic Regression 처리 흐름도 Read More »
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 Read More »
