1. Classification Hyperplane을 기준으로 score 값을 계산하여 classification을 수행 Hyperplane을 구성하는 model parameter가 w이면 w vector는 hyperplane에 수직인 방향으로 생성 여러 개의 Hyper Plane을 그을 수 있음 서로 다른 종류의 Hyper Plane은 서로 다른 성능을 제공할 수 있음 Hyper Plane을 W1 로 잡으면 positive sample들 근처에서 또 다른 positive sample이 나타날 가능성이 높음 Hyper Plane을 W3로 잡으면 negative sample들 근처에서 또 다른 negative sample이 나타날 가능성이 높음 즉, 각 Hyper Plane들에서 오류가 ..
1. Classification Supervised Learning: Labeled Data 사용 Output이 discrete 한 경우 Hyperplane을 기준으로 score 값을 계산하여 classification을 수행 Linear Model Input Features & Model Parameter(learnable parameter)의 linear combination으로 구성 Input Feature x 기준 linear 할 필요가 없다 Model Paramter w 기준 linear 하면 Linear Model Input Feature: d-dimension vector Hyper plane: decision boundary Positive sample과 negative sample..
1. Regression Continuous Outputs Data Set에서 입력과 정답으로 구성되어 있는 label이 있는 Data set을 사용 2. Linear Models 입력 feature xi와 model parameter θi의 linear combination으로 구성되어 있음 d-dimension vector x with x0=1 으로 설정 두 벡터 θ, x를 내적해서 처리 선형 모델이라고 해서 입력 변수도 선형일 필요는 없음 : Model(learnable) Parameter기준 Linear하면 됨 Advantages 단순하다 : 처음 시도해보고 성능 측정하기가 쉬움 Input parameter가 Output에 영향을 얼마나 ..
1. Categories of Machine Learning Supervised Learning = 지도학습 Labeled Data를 기반으로 future input이 주어졌을 때 output을 예측 Output Discrete Variable: Classification Continuous Variable: Regression Regression, Classification(Binary, Multiclass), Time Series Prediction Unsupervised Learning = 비지도 학습 = 자율학습 Unlabeled Data를 기반으로 비지도 학습을 통해 hidden features, structures 등을 찾기 Unlabeled Data: only inputs, No desire..
Hierarchical Bayesian Analysis for Heterogeneous Consumer Behavior 여기서는 Prior 대신 Heterogeneity 라는 표현을 사용 Prediction : 수요예측 Heterogeneity : 고객의 이질성 Conjoint Method : 현재 시장에 도입되지 않은 새로운 제품, 디자인, feature 들을 실제로 실행해보고 고객의 반응을 받아 data로 받을 수 있는 방식 h : 한 '개인 individual' 기준 Random Effect Model : 한 개인의 고유한 parameter는 전체 분포에서 random하게 뽑아진 것으로 생각할 수도 있어서 Random effect model으로 생각 Micro Marketing : 고객마다 원하..
Bayesian Analytics Integration 없이 Posterior Distribution을 찾는 방법 PosteriorProbability∝(PriorProbability×Likelihood) 를 이용 Case 1: Easy Conjugate Family를 가진다 Prior가 어떤 likelihood를 만났는데 그 결과인 posterior의 분포와 같다 (parameter value는 다를 수 있음) Case 2: Not easy Simulation을 이용 MCMC (Markov Chain Monte Carlo)를 사용 : Bayesian Algorithm은 아님 우리가 얻고자 하는 target distribution에 해당되는 값들을 얻어보자라는..
Bayesian Analytics : P(parameter|Data)를 구하기 Parameter에 대해 data 기반으로 확률을 제시하는 것 Parameter는 고정되지 않고, 변동성을 가지므로 확률로 묘사됨 Model : Parameters+Data Computations : PosteriorProbability∝(PriorProbability×Likelihood) Output : Posterior distributions of parameters Data에 기반한 궁금한 대상 parameter : β0,β1,σ2 Prior P(parameters): 사전확률 Likelihood $P(Data|Pa..
1. Introduction to Supply Chain Management (공급사슬관리) 항상 4개의 player가 있는 것이 아니다, chain에 따라 player는 달라질 수 있다 Supply Chain에서 : 왼쪽으로 갈수록 Upstream (물건의 원재료쪽으로 가까워짐) 오른쪽으로 갈수록 Downstream (End-customer한테 가까워짐) 물건들 (physical good)이 왼쪽 -> 오른쪽 (upstream -> downstream) 방향으로 흐르게 됨 Information & money는 오른쪽 -> 왼쪽 (downstream -> upstream) 방향으로 흐르게 됨 최종 고객에 대한 실제 Demand : Retailer만 알 수 있음 최종 고객의 demand에 대한 예측 : d..
