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 |
Tags
- BERT이해
- 머신러닝
- docker
- 언어모델
- 플랫폼
- BANDiT
- nlp
- 메타버스
- RecSys
- TFX
- COFIBA
- chatGPT
- 클라우드자격증
- MSCS
- 미국석사
- HTTP
- transformer
- 자연어처리
- 머신러닝 파이프라인
- 네트워크
- 클라우드
- aws자격증
- MAB
- llm
- 추천시스템
- AWS
- Collaborative Filtering Bandit
- BERT
- MLOps
- 중국플랫폼
Archives
- Today
- Total
목록t분포 (1)
Julie의 Tech 블로그
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/uX5xw/btryb084c6w/kfXHcp9R4x65frmV2lJLpk/img.png)
이번 글은 확률 분포에 대해 간단하게 정리해보려고 한다. 수학적으로 접근하기 보단 분포들이 실제로 어떤 목적을 지니고, 어떤 경우에 활용되는지 등 실용적인 측면에서 정리하였다. 우리가 확률 분포라고 함은 아래와 같이 분류할 수 있다. 우리는 여기서 연속확률분포에 대해 간단하게 살펴볼 것이다. 그 중에서도 정규분포, 카이제곱 분포, t분포에 대해 알아보자. 분포는 중요한 두 개의 통계량을 가지고 있다. 중심 위치(평균)과 퍼짐 정도(분산)이다. 모집단에 대한 분포를 알고 싶을 때 우리가 전수조사를 통해 데이터를 수집한 후 모집단의 통계량을 구할 수도 있다. 하지만 이 방법은 비현실적이고 불가능하기 때문에 우리는 늘 '표본(Sample)'을 통해 모집단에 대해 추정하곤 한다. 실례로는 대한민국..
Tech/ML, DL
2022. 4. 2. 15:41