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 | 29 | 30 | 31 |
Tags
- 컴퓨터구조
- dcgan
- shrinkmatch
- Meta Pseudo Labels
- mocov3
- mme paper
- tent paper
- Pseudo Label
- CGAN
- CoMatch
- GAN
- CycleGAN
- remixmatch paper
- SSL
- 최린컴퓨터구조
- cifar100-c
- 딥러닝손실함수
- simclrv2
- semi supervised learnin 가정
- UnderstandingDeepLearning
- adamatch paper
- WGAN
- conjugate pseudo label paper
- dann paper
- 백준 알고리즘
- BYOL
- Pix2Pix
- Entropy Minimization
- ConMatch
- shrinkmatch paper
Archives
- Today
- Total
목록최대우도법 (1)
Hello Computer Vision
Maximum Likelihood Estimation(최대우도법) 요약
GAN 논문을 보던 중 최대 우도법에 관한 내용이 잠깐 나오는데 이에 대해서 저번에 공부 한번 했던 거 같은데 다시 생각해보니 무슨 뜻인지 명확하게 생각이 나지 않았기 때문에 모르는 정보를 다시 찾고 기록하려고 한다. 제가 공부한 내용의 출처는 밑에다 다 적어놓겠습니다. 최대우도법을 왜 공부할까? 우선 다음 확률밀도함수 그래프를 살펴보자. 여러 개의 확률밀도 함수 그래프들이 그려져있다. 그리고 이러한 그래프들은 각각 다른 파라미터(μ, σ)로 이루어져있다. 그렇다면 만약 소수의 데이터만 주어진 상황에서 가장 최적의 확률밀도함수는 어떻게 구할까? 그 최적의 확률밀도함수의 파라미터 추정값들을 찾는 방법 중 하나가 Maximum Likelihood Estimation인 것이다. 예시 데이터가 {1, 4, 5,..
mathematics
2022. 10. 25. 21:01