Notice
Recent Posts
Recent Comments
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
- off-policy
- 연합학습
- mmoe
- 배반사건
- 도커 컨테이너
- 몬테카를로 학습
- Docker Image
- 산업공학
- 유전알고리즘
- 카멜케이스
- 도커 개념
- Metaheuristic
- routing problem
- 파스칼케이스
- 헝가리안노테이션
- on-policy
- 강화학습
- q learning
- 코딩스타일
- Sarsa
- Federated learning
- 그리드월드
- 확률공리
- 스네이크케이스
- multi task learning
- genetic algorithm
- 딥러닝
- 큐러닝
- 케밥케이스
- Traveling salesman problem
Archives
- Today
- Total
목록배반사건 (1)
SU Library
통계이론 - 조건부확률2 (배반과 독립의 차이, 베이즈 이론)
이번 포스팅에서는 앞선 포스팅 통계이론 - 조건부확률1에서 정리한 내용을 바탕으로 베이즈이론에 대한 소개와 증명을 다루는 내용을 포함하겠습니다. 전환률 공식: $$사건 B_1, B_2,..., B_k$$ 에 대하여 $$ B_i \cap B_j = \varnothing , i \neq j$$ 이고, $$ \bigcup_{i=1}^{k} B_i = S$$ 를 만족할 경우 $$P(A) = \sum_{i=1}^{n}P(B_i)P(A|B_i)$$ 가 성립한다. Proof. $$ P(A) = P(A \cap S) = P \left( A \cap \left( \bigcup_{i=1}^{k} B_i \right) \right) = \sum_{i=1}^{k} P(B_i)P(A|B_i) $$ 첫번째 가정은 사건 $B$는 ..
수학/확률
2023. 12. 18. 09:27