본 게시글은 [하버드] 확률론 기초: Statistics 110, 3강 - Birthday Problem과 확률의 특성을 보고 정리한 글입니다. 학습 목표 확률의 non-naive한 정의의 공리(규칙)을 이용하여 확률의 특성을 증명할 수 있으며, 포함배제의 원리를 이해한다. 핵심 키워드 Birthday Problem 확률의 non-naive한 정의의 공리 확률의 특성 포함배제의 원리 학습 내용 생일 문제 (Birthday Problem) 생일 문제는 k명 중에 2명 이상이 같은 생일을 가질 확률을 뜻한다. 일별 출생 확률은 동일하고 각각의 사건은 독립적으로 발생한다고 가정한다. K가 몇 명 이상이어야 같은 생일을 가진 사람들이 있을 확률이 50% 일까? k > 365 일 때 확률은 1이다 k
본 게시글은 [하버드] 확률론 기초: Statistics 110, 2강 - 해석을 통한 문제풀이 및 확률의 공리를 보고 정리한 글입니다. 학습 목표 확률의 naive한 정의로 접근하기 어려운 경우를 알아내고, story proof를 통한 접근을 할 수 있다. 또한 확률의 non-naive한 정의를 위한 공리 2가지를 이해하고 적용할 수 있다. 핵심 키워드 확률의 naive한 정의 Story proof 확률의 non-naive한 정의의 공리 과제에 대한 조언 상식적인 부분을 고려하라 답안이 말이 되도록 쓰는 것뿐 아니라 합리적인 이유가 있어야 한다. 답을 항상 다시 확인해라 일반적인, 극단적인, 계산하기 간단하지만 유의미한 값을 시도해본다 n=0, n=1, n=2 추가 설명을 표시하는 것은 매우 유용하다..
본 게시글의 원문은 이곳에서 확인할 수 있습니다. 1. Naive Definition of Probability 1. For each part, decide whether the blank should be filled in with =, , and give a short but clear explanation. 각 부분의 빈칸이 =, 중 어떤 것인지 결정하세요. 그리고 짧고 명료하게 설명하세요 (a) (probability that the total after rolling 4 fair dice is 21) > (probability that the total after rolling 4 fair dice is 22) 4개의 주사위를 던진 후 합이 21일 확률, 4개의 주사위를 던진 후 합이 22일 확..
본 게시글은 [하버드] 확률론 기초: Statistics 110, 1강 - 확률과 셈 원리를 보고 정리한 글입니다. 목차 확률론의 활용 영역 용어 정리 확률의 Naive한 정의 내포하고 있는 가정 셈 원리(Counting Principle) 이항 계수(Bionomial Coefficient) 이항 계수 수식에 대한 설명 포커에서 풀하우스가 나올 확률 찾기 Sampling Table(표본 추출 정리 표) 들어가기 확률론의 기초 이론을 배우는 과목입니다. 여러 가지 문제의 확률 계산 방법, 이산 및 연속 확률분포, 조건부 확률 분포, 마코프 체인, 중심극한정리 등을 배울 수 있습니다. 이곳에서 배운 이론은 수리통계학, 시뮬레이션에 근간이 되는 내용입니다. 학습 목표 확률의 기초 용어(표본공간, 사건, 셈 원..
모수(Population Parameter)란? 본 게시글에서는 통계학에서 사용되는 용어인 모수(Population Parameter)란 무엇인지 알아보겠습니다. 모수를 이해하기 위해서는 모집단을 먼저 이해해야 합니다. 1. 모집단(Population)이란? 사전적으로 모집단이란 통계학에서 관심의 대상, 조사의 대상이 되는 모든 개체 값의 집합을 말합니다. 쉽게 말해 모집단은 "연구자가 알고 싶어 하는 대상 또는 효과의 전체(집단)"입니다. 예시 1. 고등학교 3학년 남학생의 평균 키를 알고 싶다. -> 모집단 : 대한민국 전체 고등학교 3학년 남학생의 키 2. 백신 A를 처방했을 때와 백신 B를 처방했을 때 어떤 효과의 차이가 있는지 알고 싶다. -> 모집단 : 백신 A를 처방했을 때 모든 효과, 백신..
- Total
- Today
- Yesterday
- nlg
- AWS
- Tensorflow2.0
- keras
- MFCC
- TF2.0
- tensorflow
- 핵심어 검출
- 알고리즘
- librosa
- MIT
- netron
- 인공지능 스피커 호출
- 알고리즘 강의
- BOJ
- 모델 시각화
- nlp
- wavenet
- LSTM
- aws cli
- 오디오 전처리
- RNN
- Introduction to Algorithm
- nlp 트렌드
- stft
- boto3
- lambda
- 시계열
- 6.006
- S3
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 |