| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- Artificial Intelligence
- Deep learning
- data science
- Big Data
- 몽고디비
- 우리들교회
- Statistics
- 김양재 목사님
- node.js
- 통계
- R
- c++
- 빅데이터
- MongoDB
- openCV
- nodeJS
- 딥러닝
- 확률
- 빅데이타
- WebGL
- 빅 데이타
- 김양재 목사
- 빅 데이터
- 데이터 과학
- No SQL
- 인공지능
- Machine Learning
- 김양재
- 주일설교
- probability
Archives
- Today
- Total
목록bayes theorem (1)
Scientific Computing & Data Science
[Data Science / Probability] Bayes' Theorem
\(A_1, ..., A_n\)이 샘플 공간의 분할이면, 사건 \(B\)의 조건 하에 사건 \(A_i\)의 Posterior Probability는 확률 \(P(A_i)\)와 \(P(B \mid A_i)\)를 이용하여 다음과 같이 구할 수 있다. \(\displaystyle{ P(A_i \mid B) = \frac{P(A_i)P(B \mid A_i)}{\sum_{j=1}^{n}{P(A_j)P(B \mid A_j)}} }\) 이를 Bayes' Theorem이라고 한다. Bayes' Theorem은 확률이론에 있어 매우 중요한 결론이다. 이는 새로운 정보가 기존의 확률 정보의 업데이트 또는 개정에 어떻게 유용하게 사용될 수 있는가에 대한 방법을 제시해 주기 때문이다. 어떤 경우에 있어 Prior Probab..
Data Science/Probability & Statistics
2014. 1. 30. 23:36