GAN: Generative Adversarial Networks - 동빈나 유튜브 리뷰

리뷰를 리뷰한다.

www.youtube.com/watch?v=AVvlDmhHgC4&list=PLRx0vPvlEmdADpce8aoBhNnDaaHQN1Typ&index=9

 

1. 확률분포란?

- 확률 변수가 특정한 값을 가질 확률을 나타내는 함수

ex) 주사위를 던졌을 때 나올 수 있는 수를 확률변수 X라고 합시다.

• 확률변수 X는 1,2,3,4,5,6의 값을 가질 수 있습니다
• P(X=1)은 1/6
• P(X=1)=P(X=2)=P(X=3)=P(X=4)=P(X=5)=P(X=6)

 

2. 이산 확률 분포

-확률변수 X의 개수를 정확히 셀 수 있을 때, 이산확률분포라고 말합니다.

-주사위 눈금 X의 확률 분포는 다음과 같습니다.

 

3. 연속 확률 분포

 

-확률변수 X의 개수를 정확히 셀 수 없을 때 연속 확률 분포라 말합니다. (확률 밀도 함수를 이용해 분포를 표현)

-ex) 연속적인 값의 예시 : 키, 달리기 성적

-정규분포(normal distribution) 예시

실제세계의 많은 데이터는 정규분포로 표현할 수 있다 ex) IQ 등등

표준편차란?

 

 

4. 이미지 데이터에 대한 확률 분포

 

- 이미지 데이터는 다차원 특징 공간의 한 점으로 표현된다.

  - 이미지의 분포를 근사하는 모델을 학습할 수 있습니다.

- 사람의 얼굴에는 통계적인 평균치가 존재(눈의 길이, 코의 두께 등)할 수 있습니다.

  - 모델은 이를 수치적으로 표현할 수 있습니다.

 

 

 

5. 생성모델

- 생성 모델은 실존하지는 않지만 있을 법한 데이터를 생성할 수 있는 모델을 의미합니다. 이때 데이터는 이미지, 오디오, 자연어 문장 등 다양합니다.

일반적인 분류모델 VS 생성모델 차이이다. 분류모델은 특정한 디씨전 바운더리를 학습, 생성모델은 각각의 클래스에 대해 적절한 분포를 학습하는거라고 볼 수 있음

 

instances란 사진 한장과 같은 구별되는 개체, 확률 분포를 잘 학습할 수 있다면

8:31