이 레슨과 관련된 학습 키워드
인공지능(AI) — 기계가 생각하는 법 → 인공지능 수학 — AI를 떠받치는 수학적 기초 → 인공지능 수학 — AI를 떠받치는 수학적 기초 → 확률과 정보이론
여러분, AI가 불확실한 세상에서 어떻게 판단할까요?
베이즈 정리는 새로운 증거가 나타날 때마다 기존 믿음을 합리적으로 수정하는 수학적 도구예요.
화면 왼쪽 파란 박스를 보세요. 베이지안 접근법의 특징이 정리되어 있어요.
베이지안에서는 확률이 "믿음의 정도"예요. 세타는 고정된 값이 아니라 확률 변수로 취급해요.
사전 지식과 데이터를 결합해서 사후 분포를 추론하는 게 핵심이에요.
소량 데이터에서도 강력하고, 불확실성을 자연스럽게 정량화할 수 있다는 장점이 있어요.
이제 오른쪽 빨간 박스를 보세요. 빈도주의 접근법이에요.
빈도주의에서는 확률이 반복 실험의 장기 빈도예요. 세타는 고정 상수로 점 추정만 해요.
데이터만으로 추정하니까 객관적이지만, 소량 데이터에서 과적합 위험이 있어요.
가운데 VS 표시를 보세요. 두 패러다임은 200년 넘게 논쟁이 이어져 왔어요.
1763년 토마스 베이즈 목사가 이 아이디어를 처음 제시했고, 라플라스가 1812년에 공식화했어요.
20세기 후반에 엠씨엠씨와 컴퓨팅 파워가 발전하면서 베이지안 방법이 실용화되었어요.
스팸 필터에서 "무료"라는 단어가 나오면 스팸일 확률을 사전 확률에서 업데이트해요.
의료 진단에서는 검사 양성일 때 실제 질병 확률을 기저율 반영해서 계산해요.
추천 시스템의 콜드 스타트 문제도 베이지안으로 자연스럽게 해결할 수 있어요.
하단 파란 박스를 보세요. AI에서 베이지안의 핵심 가치가 요약되어 있어요.
사전 지식으로 과적합을 방지하고, 불확실성을 정량화해서 더 안전한 의사결정을 할 수 있어요.
이번 레슨에서 베이즈 정리의 직관부터 실전 응용까지 깊이 있게 다뤄볼게요.
나이브 베이즈 분류기, 엠에이피 대 엠엘이, 베이지안 신경망까지 배울 거예요.
자, 그럼 베이즈 정리의 세계로 출발합시다!
선생님: 베이지안 접근법이 빈도주의보다 유리한 대표적인 상황은 무엇일까요?
학생: 데이터가 부족한 상황이요. 사전 지식을 결합해서 과적합을 방지할 수 있으니까요.
선생님: 맞아요! 추천 시스템의 콜드 스타트 문제나 의료 진단에서 희귀 질병 검출 시 기저율을 반영하는 것이 중요하죠.
학생: 그럼 데이터가 충분하면 빈도주의가 더 나은 건가요?
선생님: 데이터가 충분하면 두 접근법의 결과가 수렴해요. 하지만 베이지안은 불확실성 정량화라는 추가 장점이 있어서, 안전이 중요한 분야에서는 여전히 선호돼요.