[Git, Tip] CLI모드에서 Git id/pw 자동저장
git commit시에 계속 id/pw를 물어 보면 아래 명령어를 입력 후commit해 보면 id/pw를 물어 보는데 이 때 입력 하면 자동 저장 된다. git config –global credential.helper store
[Julia, Turing] Turing Guide – Basic Usage
Turing 기초 사용법으로 Turing Guide의 내용과 실행 결과, 설명을 붙였습니다. 일부 코드는 수정이 되었고 내용도 추가 하였습다. Julia v1.9.2, Turing v0.28.2 에서 실행 아래는 노트북 이미지 이고 원본이나 HTML 은 위 링크에서 다운로드 받으면 됩니다.
[Julia, 통계,Optimizer] Turing MLE, MAP Optimizer 비교 (with ChatGPT)
[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 »
[Julia, 통계, Sampler] Turing Sampler 비교 (with ChatGPT)
[Q] 베이지안 추론에 사용하는 sampler중에 MH, HMC를 비교해줘 [A] 베이지안 추론에서 사용되는 샘플링 알고리즘인 Metropolis-Hastings(MH)와 Hamiltonian Monte Carlo(HMC)는 주어진 사후 분포로부터 표본을 추출하는 방법입니다. 두 알고리즘은 그 원리와 장단점에 있어 다양한 차이점을 보입니다. 결론: HMC는 그래디언트 정보를 활용해 더 효율적으로 표본을 추출하므로, 고차원이나 복잡한 분포에 대한 베이지안 추론에 특히 유용합니다. 그러나, 구현과 튜닝이 MH보다 복잡하며, …
[Julia, 통계, Sampler] Turing Sampler 비교 (with ChatGPT) 더 보기 »
[Julia, Turing] Turing @model 이 하는일 , MH알고리즘 구현 통한 실행 사례
turing_guide_01 Turing @model 이 하는일 , MH알고리즘 구현 통한 실행 사례¶ In [335]: using Turing using Random using StatsPlots Inverse Gamma 분포:¶ 연속 확률 분포의 하나로, Gamma 분포의 역수에 대한 분포입니다. 이 분포는 특히 베이지안 통계학에서 분산의 사전 분포로 사용되곤 합니다. \begin{align*} f(x|\alpha,\beta) = \frac{\beta^\alpha}{\Gamma(\alpha)}x^{-\alpha-1}e^\frac{-\beta}{x} \end{align*} $\alpha$ : 분포의 모양 결정 $\beta$ : 스케일 조절 특히 …
[Julia, Turing] Turing @model 이 하는일 , MH알고리즘 구현 통한 실행 사례 더 보기 »
[Julia, GR] Julia 1.9.x 버전에서 libGR.DLL 이 없다는 오류시 해결 방법
Pkg> update를 하면 된다
[Julia, PyCall] 외부 python을 PyCall에서 사용하기 위한 설정
$ julia julia>ENV[“PYTHON”] = “/home/shpark/anaconda3/bin/python” pkg> build PyCall
Riemann Zeta Function(리만 제타 함수)
riemann-zeta In [1]: using SpecialFunctions using LinearAlgebra In [2]: using PyPlot In [3]: function calc_zeta(real,R) Z = zeros(Complex{Float64},size(R)) n = 1 for imag in R s = real + imag*im Z[n] = zeta(s) n = n + 1 end Z end Out[3]: calc_zeta (generic function with 1 method) In [11]: function main() real = 0.5 s_radian = -10 e_radian …