그래프 모형: 두 판 사이의 차이 - 위키백과, 우리 모두의 백과사전

2016년 2월 26일 (금) 08:08 판

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 양자 기계 학습
문제 분류 클러스터 분석 회귀 분석 클러스터 분석 이상 탐지 데이터 정제 연관 규칙 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트) 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH 계층적 군집화 k-평균 알고리즘 기댓값 최대화 알고리즘 DBSCAN OPTICS Mean-shift
차원 축소 인자 분석 CCA 독립 성분 분석 LDA 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 k-최근접 이웃 알고리즘 국소 특이점 요인
인공 신경망 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 생성적 적대 신경망 확산 모델 다층 퍼셉트론 순환 신경망 LSTM GRU 제한된 볼츠만 머신 변환기 비전 자기조직화지도 합성곱 신경망
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 러닝 커브 크라우드소싱 인간 참여형
모델 진단 러닝 커브
이론 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

확률론, 통계학, 기계 학습에서의 그래프 모형(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다.

GM의 일반적인 두 형태는 방향성 모서리를 갖는 그래프와 무뱡향성 모서리를 갖는 그래프로 나뉜다. 만약 네트워크의 구조가 방향성 비순환 그래프(DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 결합 확률의 분해(factorization)를 나타낸다.

같이 보기

참고 문헌

이 글은 컴퓨터 과학에 관한 토막글입니다. 여러분의 지식으로 알차게 문서를 완성해 갑시다.

2013년 3월 10일 (일) 21:54 판 편집 Addbot (토론 \| 기여) 100,019 편집 잔글 봇: 인터위키 링크 7 개가 위키데이터의 d:q1143367 항목으로 옮겨짐 ← 이전 편집		2016년 2월 26일 (금) 08:08 판 편집 편집 취소 Slfsp3645 (토론 \| 기여) 장기인증된 사용자, 일괄 되돌리기 기능 사용자 10,254 편집 틀 추가 다음 편집 →
1번째 줄:		1번째 줄:
			{{기계 학습}}
	[[확률론]], [[통계학]], [[기계 학습]]에서의 '''그래프 모형'''(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다.		[[확률론]], [[통계학]], [[기계 학습]]에서의 '''그래프 모형'''(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다.