머신러닝

확률변수

확률현상의 결과에 의존해서 확률적으로 정해지는 변수를 의미

발생 가능한 모든 경우에 대해서 각각의 실숫값을 대입해주는 하나의 함수

Sample space

실험의 결과 하나하나를 모두 모은 것

동전을 던지는 실험에서 표본 공간은 {앞면, 뒷면}이다

세 가지 조건을 가짐

1. finest-grain (개별정의): 모든 가능한, 구별 가능한 outcome들은 개별적으로 정의되어야 한다.

2. mutually exclusive(동시 불가): 어떤 두 개 이상의 outcome이 동시에 발생할 수 없어야 한다.

3. collectively exhaustive(표본공간에 포함): 모든 outcome은 sample space에 포함되어야 한다.

Bayesian Network

조건부 확률을 사용해서 복잡한 모델(결합 분포)를 쉽게 표현하기 위해 그래프로 표현하는 방식으로, 서로 간에 관계가 없는 노드는 조건부 독립이다.

베이즈 정리: 어떤 사건이 서로 배반되는 원인 둘에 의해서 일어난다고 할 때, 실제 사건이 일어났을 때 이것이 두 원인 중 하나일 확률을 구하는 정리

조건부 확률의 정의를 바탕으로 유도

지수분포

사건이 최초 발생할 때까지 대기시간의 분포로 연속형 확률변수

푸아송 분포

사건의 발생횟수에 대한 분포로 이산형 확률분포

평균 = 분산 = 람다 = 작아질수록 아무것도 안발생할 확률이 커짐

(독립성, 단일성, 동발성)