(ML 14.4) Hidden Markov models (HMMs) (part 1)

Root Cause Analysis를 정의하고, HMM(Hidden Markov Model)의 연관관계를 소개합니다.

RCA와 HMM의 관계의 개략적인 내용을 Presentation을 통해 설명합니다. Presentation에서 설명된 순서에 따라 각각의 개념을 Youtube동영상으로 넣었으니, 상세한 내용은 해당 동영상으로 확인하시기 바랍니다.

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.

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.