from . 양정은 강사님 프로젝트 과제임. 소벨 필터링 ? 이미지 처리나 컴퓨터 비전에서 사용되는 엣지 감지 알고리즘. 일반적으로 가장자리에 해당하는 이미지의 높은 공간 주파수 영역을 강조하는 방법을 제공한다. white_patch = 255*np.ones(shape=(10, 10)) # 10,10 짜리 흰색패치 black_patch = 0*np.ones(shape=(10, 10)) # 10,10 짜리 검정패치 print(white_patch) img1 = np.hstack([white_patch, black_patch]) img2 = np.hstack([black_patch, white_patch]) img = np.vstack([img1, img2]) fig, ax = plt.subplots(fig..

https://www.notion.so/Bayes-Classifier-Project-ffa984d1e998432190d4f26644c65f6c 그렇게 어렵지는 않았다. 응용 문제들.

약간 킹벽하게 정리가 된 부분이다. 이번에는 문제가 눈앞에 단지가 하나 있고(X 혹은 Y), 단지 X에는 흰공 9개, 검은 공 1개. 단지 Y에는 흰공 두 개와 검은 공 여덟개다. Prior, likelihood, joint, posterior를 각각 구하는 것이었다. Prior : 잘 모를 때의 확률. X혹은 Y단지일테니까 엄대엄이 다. 5:5 likelihood : X가 흰색일 확률, X가 Y의 확률. Y가 흰색일 확률, Y가 검은색일 확률을 각각 구하는 것이다. 우리가 흔히 하는 확률 분류. joint : Prior와 likelihood를 곱한 값. Posterior : 그 단지의 joint /선택한 공의 총 joint 를 구하면 된다. # import pandas as pd # def update..

https://www.youtube.com/watch?v=Y4ecU7NkiEI&t=275s 어제 만든 여아의 부모 추정(?)을 함수화 해서 코딩을 다시 만들었다. import pandas as pd def calculate_posterior(df): total_probability = (df['birth_princess_likelihood'] * df['birth_princess_ratio']).sum() print('total_probability:',total_probability) df['posterior_probability'] = df['birth_princess_likelihood'] * df['birth_princess_ratio'] / total_probability return df ta..

https://www.youtube.com/watch?v=me--WQKQQAo 나이브 베이즈 알고리즘은 넷플릭스에서도 사용하는 알고리즘으로 사용자의 추천 알고리즘이다. 빌게이츠도 이 알고리즘을 되게 강조했다고 한다. 인간처럼 사고하는 알고리즘이다. 꼭 알아야 하는 수학적 개념이 확률과 통계이다. https://www.youtube.com/watch?v=KueAHu7iFNE conditional probability(조건부 확률). https://doctorinformationgs.tistory.com/107 조건부 확률과 베이즈 정리 - 2주차 정리 이전 진도 2021.09.11 - [고등 수학/확률과 통계] - 확률의 정의 - 2주차 정리 확률의 정의 - 2주차 정리 참조 문헌 1. Probabilit..

챗 GPT에 클러스터링이 어떤 곳에 활용되는지 물어보자. 대표적인 군집화 알고리즘으로는 K-Means, Mean Shift, Gaussian Mixture Model, DBScan이 있다. import numpy as np import matplotlib.pyplot as plt def euclidean_distance(x1, y1, x2, y2): result = (((y1-x1)**2) + ((y2-x2)**2)) ** 0.5 return result n_classes = 4 n_data = 100 X, y = [], [] for class_idx in range(n_classes): centroid = np.random.uniform(low=-10, high=10, size=(2,)) X_ = np..