뒤로 가기
홈으로 이동
LearnFit
공유하기
YouTube, Hidden Markov Model Clearly Explained! Part - 5
최현희님의 학습노트

Hidden Markov Model Clearly Explained! Part - 5

#artificial intelligence
#machine learning
#normalized nerd
#data science
#hidden markov models
#markov chain
#hidden markov model clearly exlained
#hidden markov model explained
#math of hidden markov models
#manim video
#3b1b style video
#hidden markov model example problem
00:48날씨(비, 구름, 해)와 기분(우울,화창)의 예
01:10transition probabilities
01:24emission probabilities
02:10Hidden states
02:28HMM=Hidden MC + Observed Variables
03:45What is the joint probability of observed mood sequence and weather sequence?
05:27What is the most likely weather sequence for the observed mood sequence?
✔ 학습 완료

이 학습노트가 포함된 러닝패스예요.

최현희님의 다른 노트는 어때요?

최현희의 프로필 이미지
최현희
의 학습노트

선후관계분석

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
4
00:05
선후관계분석은 두 Part로 나뉘어 진행됩니다. 최초 분석은 KC(Item) 간의 관계 분석을 하는 것이고, 이를 기반으로 방향성을 분석합니다. 관계분석을 위해서는 두 KC(item)간의 관계를 조건부 확률 형식으로 풀어내는 Association Rule Mining과 여러 KC(item)과의 연관관계를 고려할 때 가장 영향력이 큰 Item(KC)를 골라내는 방법으로 Random Forest Analysis의 Permutation Importance를 계산하는 과정을 도입하였습니다.
00:05
Item(KC)간의 관계가 모두 설정되면 Item(KC)간의 방향성을 설정합니다. 학습에 있어서의 방향성을 결정하는 방법은 1. 쉬운것부터 배운다. 2. 해당 Item(KC)를 제대로 Master한 그룹과 그렇지 않은 그룹간에는 점수차이가 많이 나야 한다. 라는 가정을 고려하였습니다.
👍
1
스크랩
최현희의 프로필 이미지
최현희
의 학습노트

Bayesian networks and causality by Richard Neapolitan

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
7
03:10
Causal Relationship과 Constraint Based Approach(Bayesian Network)
07:03
Correlation & Direction
스크랩
👋 다양한 인사이트를 읽어보고 계신가요?
나만의 학습 기록을 남기고, 관리하고 싶다면!
다양한 전문가의 멤버십 전용 콘텐츠를 보고 싶다면!
나의 학습 내용을 공유하고, 수익을 올리고 싶다면!
3초 회원가입/로그인으로, 런핏의 커뮤니티에 여러분도 함께하세요.
3초 만에 가입하기