# 2-3 의미 대조 검수

이 검수는 이미 선별된 불확실 음성 653개 문맥 창의 원전사와 2차 전사를 읽어 대조한 것입니다. 강의 전체 8시간의 직접 청취 검증이 아닙니다. 창별 개수는 주된 판정으로 분류하며, 학습 보류 창에도 일부 자료 근거 정정이 포함될 수 있습니다. 두 모델이 같은 오류를 낼 수 있으므로 의미 차이 미발견은 정답 인증이 아닙니다. 교정은 자료에서 확인되는 내용 또는 명시한 수학적 보충이며 교수님의 실제 발언으로 재구성하지 않습니다. 창 경계에서 잘린 문장은 인식 오류와 구별했습니다.

## 2-3 창 0000 · 00:00:38–00:01:12 · 학습 보류

재인식에추가된영어모집단정의는자료와관련되지만원전사에는없다. 창의기존세그먼트에영어발화가누락됐는지음성확인없이는결정할수없다.

![[review/audio/2-3/clips/0000.m4a]]

근거 파일: [[review/audio/2-3/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 맨 처음으로 내가 얘기했었던 건 statistical sampling에 관련된 얘기였어요. 그래서 한번 읽어볼까요? 그러니까 우리가 통계학을 다룬 데 있어서 실제 관측 가능한 대상은 시간도 제약도 룸컴터 자원도 정말 가능하지 않은 경우들이 많습니다.

2차 전사:  자, 맨 처음으로 내가 얘기했었던 건 Statistical Sampling에 관련된 얘기였어요. 그래서 한번 읽어볼까요? Statistical Sampling low data that you may have available for a task work experiment is known as the population for a number of the reasons you cannot necessarily measure the patterns and trends across the entire the population. 우리가 통계학을 다룬 데 있어서 실제 관측 가능한 대상은 시간도 제압도 뭐 이런 것들도

## 2-3 창 0001 · 00:01:59–00:02:14 · 학습 보류

sample이population의일부분이라는내용은같고재인식후반은잘린다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0001.m4a]]

근거 파일: [[review/audio/2-3/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 샘플이라는 것은 population의 1포션인데요. 1부분인데요. 샘플이라는 것은 한마디로 얘기한다면 population이 가지고 있는 전체적인 트렌드, 특정 패턴들을 명료하게

2차 전사:  일부분인데요. 인셋브레이라는 것은 한마디로 얘기한다면 퍼블레이션이 가지고 있는

## 2-3 창 0002 · 00:03:13–00:03:25 · 자료 근거 정정 있음

statistical features를통계적특질로설명한다는뜻은같다.

![[review/audio/2-3/clips/0002.m4a]]

근거 파일: [[review/audio/2-3/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 샘플들을 뽑을 수 있을 거다. 그 얘기 했었던 것까지 기억을 잘 고민할 것 같습니다. statistical features는 뭐냐면 통계적인 특징, 변수 이렇게 얘기를 할 수 있을 것 같습니다.

2차 전사:  우리가 샘플들을 뽑을 수 있을 거다. 그 얘기 했었던 것까지 기억을 잘 해주시면 될 것 같습니다. statistical features는 뭐냐면 통계적인 특질, 뭐...

**자료·검토에 따른 정정:** statistical features(통계적특징),예:평균·중앙값·분산·사분위수

근거: PPT4실제media/image7.png에서bias,variance,mean,median,percentiles를열거한문장과박스플롯을 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 4

## 2-3 창 0003 · 00:04:19–00:04:28 · 자료 근거 정정 있음

75번째가3rd point I/quantile로달리인식되어자료의third quartile로정리한다.

![[review/audio/2-3/clips/0003.m4a]]

근거 파일: [[review/audio/2-3/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 50번째에 해당되는 키를 가진 친구가 이 메디안 값에 해당되는 거고요. 75번째 게 3rd point I에 해당되는 사람일 겁니다. 그럼 박스 플라스에서 IQR은 어떤 의미냐라고 얘기한다면

2차 전사:  해당되는 키를 가진 친구가 이 메디언 값에 해당되는 거구요. 75번째께 3rd-quantile에 해당되는 사람일 겁니다. 그럼 박스 플러스에서 iqr은

**자료·검토에 따른 정정:** third quartile(Q3),제3사분위수(75백분위수)

근거: PPT4실제media/image7.png의third quartile라벨과75th percentile설명,박스그림을 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 4

## 2-3 창 0004 · 00:04:57–00:05:06 · 중요한 의미 차이 미발견

값이큰/작은이상치가있다는대칭적설명이두출력에서같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0004.m4a]]

근거 파일: [[review/audio/2-3/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 평균이 상대적으로 값이 많았을 때의 어떤 아웃라이어 또는 노이즈한 데이터가 있다거나 값이 적었을 때의 노이즈한 데이터가 있다 할지라도

2차 전사:  상대적으로 값이 많았을 때의 어떤 아웃라이어 또는 노이즈한 데이터가 있다거나 값이 적었을 때의 노이즈한 데이터가 있다 할 때

## 2-3 창 0005 · 00:05:34–00:05:45 · 자료 근거 정정 있음

기술통계학이라는번역·설명은같고mean/median/mode는창경계밖부분이다.

![[review/audio/2-3/clips/0005.m4a]]

근거 파일: [[review/audio/2-3/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 디스크립트 스태티스틱스에서는 내가 가장 대표적으로 민, 메디안, 모드 생각하면 된다라고만 설명을 드렸었는데 디스크립트 스태티스틱스는 기본적으로 우리가 기술 통계학 이렇게 보통 얘기를 합니다. 자 그러면 교수님 통계학 중에 다양한 용어가 있나요?

2차 전사:  생각하면 된다 라고만 설명을 드렸었는데 디스크립트 스태틱스는 기본적으로 우리가 기술 통계학이기 때문에 보통 얘기를 한다. 자 그러면은 교수님 통계학 중...

**자료·검토에 따른 정정:** descriptive statistics(기술통계학)

근거: PPT5실제media/image9.png제목과mean/median/mode정의를 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 5

## 2-3 창 0006 · 00:06:21–00:06:39 · 중요한 의미 차이 미발견

mean,median,mode,표준편차,range,IQR이라는기술통계목록이같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0006.m4a]]

근거 파일: [[review/audio/2-3/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 기술 통계학의 특징이라고 보시면 될 것 같아요. 이 평균값, mean, median, 모드, 분산을 설명하는 표준편차, range, IQR 이런 것 전부 다 기술 통계학입니다. 그러니까 최대한 요약적으로 파플레이션의 어떤 통계적인 특징을 설명하자라는 게 이 기술 통계학이라고 생각하시면 될 것 같습니다.

2차 전사:  이제 기술 통계학의 특징이라고 보시면 될 것 같아요. 자, 그래서 써있죠. 이 평균값, 그러니까 mean, median, 그다음에 mode 또는 어떤 분산을 설명하는 표준편차, range, iqr 이런 것 전부 다 기술 통계학입니다. 그러니까 최대한 요약적으로

## 2-3 창 0007 · 00:06:45–00:07:01 · 학습 보류

추론통계학/특정통계학과모집단의손상이있으며개념은추론·예측으로같다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0007.m4a]]

근거 파일: [[review/audio/2-3/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 두 번째로는 추론 통계학 이런 것이 있어요. 특정 통계학은 뭐냐면 데이터로부터 오직단에 대한 일반적인 특징점들을 추론하고 예측하는 데 사용하게 만들어줍니다. 그래서 추론이라는 것은 인퍼런스 한다는 거잖아요.

2차 전사:  두 번째로는 추론통계학 이런 것이 있어요. 추론통계학은 뭐냐면 데이터로부터 오지단에 대한 일반적인 어떤 특징점들을 추론하고 예측하는 데 사용하게 만들어집니다. 그래서 추론이라는 것은 인퍼런스 한다는 것입니다.

## 2-3 창 0008 · 00:07:34–00:07:44 · 중요한 의미 차이 미발견

y를예측한다는내용과모집단속샘플의문맥이같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0008.m4a]]

근거 파일: [[review/audio/2-3/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 퍼플레이션에 속해 있는 특정 샘플에 대한 어떤 특징점들을 갖다가 우리가 이제 뭐 Y 예측하고자 한다면 보통 Y라고 얘기를 하죠. 그렇게 추론할 수 있다는 측면에서 추론 통계하기 어떻게 보면

2차 전사:  에 속해 있는 특정 샘플에 대한 특징점들을 갖다가 우리가 이제 뭐 y 예측하고자 한다면 보통 y 라고 얘기를 하죠 그렇게 추론할 수 있다는 측면에서 추론통계하기

## 2-3 창 0009 · 00:09:58–00:10:19 · 중요한 의미 차이 미발견

bell shape·skewed·long tail의퍼짐을본다는내용은같다. tail의구체좌우방향은두출력에없다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0009.m4a]]

근거 파일: [[review/audio/2-3/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 디스트리비션은 뭐냐면 여러분들 데이터가 얼만큼 퍼져 있는지를 보는 거라고 얘기를 했었어요 그래서 이런 bell shape에 해당되는 것들이 중앙점으로부터 얼만큼 퍼져 있는지를 볼 수도 있고요 또는 이렇게 skewed 되어 있는 데이터, long tail을 가지고 있죠 long tail을 가지고 있는 이런 디스트리비션 기준을 했을 때 데이터가 어떻게 퍼져 있고 어느 쪽으로 tail이, long tail 또는 fat tail이 존재하는지에 대해서

2차 전사:  데이터가 얼마나 퍼져 있는지를 보는 거라고 얘기를 했었어요 그래서 어떤 이런 어 벨 쉐입에 해당되는 것들이 중앙점으로부터 얼만큼 퍼져 있는지를 또 볼 수도 있고요 또는 이렇게 이제 skewed되어 있는 데이터, long tail을 가지고 있죠? long tail을 가지고 있는 이러한 디스트리비션 기준을 냈을 때 데이터가 어떻게 퍼져 있고 어느 쪽으로 tail이

## 2-3 창 0010 · 00:11:25–00:11:35 · 학습 보류

확률변수를폭립연수로읽은차이는해당확률변수의키측정이라는문맥이나기호의정확발화는미확정이다.

![[review/audio/2-3/clips/0010.m4a]]

근거 파일: [[review/audio/2-3/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아 이 친구는 머리가 좀 짧은 편이야 이렇게 얘기를 하고요 자 X2 또 다른 확률 변수 기준에서 봤을 때 이 X2 기준으로 봤을 때 이 사람의 키 키가 있겠죠?

2차 전사:  좀 짧은 편이야. 이렇게 얘기를 하고요. 자, X2. 또 다른 폭립연수 기준에서 봤을 때 이 X2 기준으로 봤을 때 이 사람의 키.

## 2-3 창 0011 · 00:12:33–00:12:56 · 중요한 의미 차이 미발견

표본을실수값에매핑하는함수와probability정의는같고영어후반은창끝이다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0011.m4a]]

근거 파일: [[review/audio/2-3/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 하지만 샘플 관점에서 이 샘플이 어떤 특정 실수값으로 맵핑객이 만들어주는 함수라는 점. 이 역할 기능에 대해서 조금 더 생각을 해보실 것 같습니다. 자 그랬을 때 시작은 여기입니다. 우리가 probability라는 걸 얘기를 하려고 했었죠. 자 probability는 우리가 여기 있는 정의를 좀 읽어본다면 probability in simple terms is likelihood of an event occurring. In statistics, an event is the outcome of an experiment

2차 전사:  값으로 맵핑객이 만들어주는 함수라는 점. 이 역할 기능에 대해서 조금 생각을 해보실까 합니다. 자, 그랬을 때 시작은 여기입니다. 우리가 probability라는 걸 얘기를 하려고 했었죠. probability는 우리가 여기에 있는 정의를 좀 읽어본다면 probability in simple terms is likelihood of an event occurring. In statistics, an event is a

## 2-3 창 0012 · 00:13:14–00:13:25 · 학습 보류

정육면체를재인식이추가했으나공정성가정이없으면1과5의확률이같지않을수있어미확정이다.

![[review/audio/2-3/clips/0012.m4a]]

근거 파일: [[review/audio/2-3/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 1번부터 6번까지 주사위가 있는데 에 해당되는 주사위였다면 1번이 나올 확률과 5가 나올 확률이 어떻다? 동일하다. 그렇죠.

2차 전사:  6번까지 주사위가 있는데 이게 정육면체에 해당되는 주사위였다면 1번이 나올 확률과 5가 나올 확률이 어떻다? 동일하다. 그렇죠.

## 2-3 창 0013 · 00:13:42–00:13:57 · 중요한 의미 차이 미발견

세검정면과세흰면의구성·반대방향은같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0013.m4a]]

근거 파일: [[review/audio/2-3/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 직육면체인데 이 직육면체에 대해서 이 위쪽 3면은 검은색으로 제출 되어 있고요 그 반대쪽 3면은 하얀색으로 되어 있다고 합시다 그래서 이 주사위를 바라보는 측면에서 여기에 1, 2, 3 이렇게 그리지

2차 전사:  이게 직육면체인데 이 직육면체에 대해서 이 위쪽 3면은 검은색으로 색칠 되어있구요. 그 반대쪽 3면은 하얀색으로 되어 있다고 합시다. 그래서 이 주사위를 바라보는 측면에서

## 2-3 창 0014 · 00:13:59–00:14:11 · 중요한 의미 차이 미발견

1,2,3과4,5,6면을색으로구분하는내용은같으며확률질문은창경계뒤다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0014.m4a]]

근거 파일: [[review/audio/2-3/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여기에 1, 2, 3 이렇게 그리지 뒤에 4, 5, 6이 있기도 하지만 배경색이 검은색이야, 하얀색이야 이걸 바라보고자 하는 확률변수가 있다면 이 확률변수 기준을 봤을 때 하얀색이 나온 확률과 검색이 나온 확률이 각각 얼마큼일까요?

2차 전사:  2, 3 이렇게 부르지? 뒤에 4, 5, 6이 있기도 하지만 배경색이 검은색이야. 하얀색이야. 이걸 바라보고자 하는 확률변수가 있다.

## 2-3 창 0015 · 00:15:14–00:15:31 · 학습 보류

10등분확률2/10과uniform/normal의명칭이섞여있다. 그림만으로실제숫자발화를정정할수없어미확정이다.

![[review/audio/2-3/clips/0015.m4a]]

근거 파일: [[review/audio/2-3/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 10등간으로 잘랐으면 각각이 튀어나올 확률이 얼마? 10분의 2. 이렇게 보는 게 유니폼 디스트리비션. 한당 균등한 거예요. 어디에서 시킬지를 모르지만 결국은 많이 샘플을 쌓아봤을 때 이런 디스트리비션이 나오게 되는 게 일반 디스트리비션이었죠. 노멀 디스트리비션, 가우치한 디스트리비션 똑같은 말이라고 얘기했어요.

2차 전사:  이렇게 보는 유니폼 디스트리비션, 한 단 균등한 거예요. 어디에서 찍힐지를 모르지만 결국은 많이 샘플을 쌓아봤을 때 이런 디스트리비션이 나오게 되는 게 유니폼 디스트리비션이었죠. 자, 노멀 디스트리비션, 가우치안 디스트리비션.

## 2-3 창 0016 · 00:16:20–00:16:37 · 학습 보류

양쪽모두Poisson을대기시간분포로설명하는듯하여ASR상호차이는작지만개수와대기시간분포혼동을해결할자료/청취가부족하다.

![[review/audio/2-3/clips/0016.m4a]]

근거 파일: [[review/audio/2-3/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 포화송이 프랑스어로 물고기 이런 뜻도 있다고 합니다. 잘 모르겠지만 이 포화송 디스트리비션 기준을 따진다면 물고기를 한 마리 잡는데 얼마나 오래 걸릴까요? 그렇죠. 되게 오래 걸리겠죠? 그래서 한 마리 잡고 나서 그 다음 물고기를 또 잡을 때까지 걸릴 시간, 이거를 계속 본다면 여러분들 제한된 시간 내에서

2차 전사:  물고기 이런 뜻도 있다고 합니다. 잘 모르겠지만 이 포화성 디스트리비션 기준을 따진다면 물고기를 한 마리 잡는데 얼마나 오래 걸릴까요? 그쵸 되게 오래 걸리겠죠? 자 그래서 한 마리 잡고 나서 그다음 물고기를 또 잡을 때까지 걸리는 시간 뭐 이거를 계속 본다면 여러분들

## 2-3 창 0017 · 00:17:10–00:17:23 · 학습 보류

여러분포로모델링할수있다는뜻은같다. 고객도착시간과개수의구분은이창으로확정하지않는다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0017.m4a]]

근거 파일: [[review/audio/2-3/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 것들을 모사할 때 많이 사용하게 되는 게 고객의 도착시간 분포, 포화성 디스트리비션을 시뮬레이션을 많이 사용하게 됩니다. 제가 지금 무슨 얘기를 하고 있죠? 확률 변수가 갖게 되는 극적절 값을 우리가 디스트리비션으로 그린다면 Probability Distribution을 얘기하는데 일반적으로 이러한 다양한 디스트리비션을 가지고 모델링을 할 수 있다더라, 근사하게 설명할 수 있다더라 이렇게 얘기할 수 있는 겁니다.

2차 전사:  디스트리비션을 시뮬레이션을 많이 사용하게끔 됩니다. 자, 제가 지금 무슨 얘기를 하고 있죠? 확률변수가 갖게 되는 특정 값을 갖다가 우리가 디스트리비션으로 부른다면 probability distribution을 얘기하는데 일반적으로

## 2-3 창 0018 · 00:17:51–00:18:01 · 중요한 의미 차이 미발견

100세이상이라는조건과낮은확률이라는답이두출력에서같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0018.m4a]]

근거 파일: [[review/audio/2-3/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 좀 슬픈 얘기네요 100살 이상 살 확률은 얼마나 되니? 그러면 확률은 적겠지만 그래도 그 질문 자체가 참 마음에 드네요 그런 것들이 플러버빌리티라고 얘기를 하는 거죠

2차 전사:  슬픈 얘기네요. 100살 이상 살 확률은 얼마나 되니? 그러면 확률은 적겠지만 그래도 그 질문 자체가 참 마음에 드네요. 그런 것들이 플로벌리티

## 2-3 창 0019 · 00:18:57–00:19:12 · 자료 근거 정정 있음

평균25·표준편차5는같지만명칭손상을실제그림의μ25,σ5로정리한다.

![[review/audio/2-3/clips/0019.m4a]]

근거 파일: [[review/audio/2-3/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 여러분들 25에 대한 평균과 배중평차 5에 대한 부분으로 이 디스트리비션을 구할 수가 있겠죠. 그리고 이 해당되는 면적을 여러분 적분만 하면 구할 수 있을 겁니다. 적분이 여러분 안하게도 컴퓨터로 그냥 계산해서 하겠죠. 자, 이게 프로보리티예요. 결국은 모수를 알고 있을 때 샘플에 대한 특성을 이해하고 싶다면

2차 전사:  25에 대한 평균과 표준평가 5에 대한 부분으로 이 디스트리비션을 그릴 수가 있겠죠. 그리고 이 해당되는 면적을 여러분 적분만 하면 구할 수 있을 겁니다. 적분은 여러분도 아는 게 컴퓨터로 그냥 계산해서 하겠죠. 자, 이게 프로바비티예요. 결국은 모수를 알고

**자료·검토에 따른 정정:** μ=25,σ=5인 정규분포(평균25,표준편차5)

근거: 영상1151초 frame00067왼쪽그림의 μ25 σ5라벨을 시각확인했다. 해당곡선의면적을확률로본다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 9

## 2-3 창 0020 · 00:19:59–00:20:11 · 자료 근거 정정 있음

모수→샘플의probability와샘플→모수의likelihood방향은같다. 뒷문장은창경계에서잘린다.

![[review/audio/2-3/clips/0020.m4a]]

근거 파일: [[review/audio/2-3/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모수를 알고 있고 샘플에 대한 특성 또는 확률 변수 기준에서 이 값이 나올 확률 이런 것들을 보는 게 probability 그러니까 모수로부터 샘플로 흘러가는 방향이죠. 라이클로이드는 어떻다? 우리가 샘플로부터 모수를 추정하도록 만들어주는 개념이다.

2차 전사:  샘플에 대한 특성 또는 확률 변수 기준에서 이 값이 나올 확률 이런 것들을 보는 게 Probability 그러니까 못으로부터 샘플로 흘러가는 방향이죠 Likely Wood는 어떻다? 우리가 샘플로부터

**자료·검토에 따른 정정:** probability는모수를고정하여자료/사건을평가하고likelihood는관측자료를고정하여모수를평가한다.

근거: PPT9실제영상1151초frame00067의Probability/Likelihood두곡선과왼쪽μ25σ5,오른쪽관측나이20라벨을 직접보았다. 자료고정/모수고정은AI가정의로명확히정리했다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 9

## 2-3 창 0021 · 00:20:15–00:20:24 · 자료 근거 정정 있음

bias를바이어스/바이오스로달리썼으나새개념도입이라는뜻은같다.

![[review/audio/2-3/clips/0021.m4a]]

근거 파일: [[review/audio/2-3/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 확률과 우도에 대한 기본적인 개념이었습니다. 바이어스에 대해서는 많은 얘기를 수업시간을 진행했었는데 바이어스는 기본적으로 파란색 줄에 있는 걸 읽어보시면 될 것 같아요.

2차 전사:  우도에 대한 기본적인 개념이었습니다. 자, 바이오스에 대해서는 되게 많은 얘기로 수업 시간을 진행했었는데 바이오스는 기본적으로 파란색 줄에 있는 걸

**자료·검토에 따른 정정:** bias(편향)

근거: PPT11실제media/image22.png파란색Bias정의문구와selection/confirmation bias라벨을 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 11

## 2-3 창 0022 · 00:20:29–00:20:42 · 자료 근거 정정 있음

정규분포의μ·σ와파라미터를추정한다는내용은같다.

![[review/audio/2-3/clips/0022.m4a]]

근거 파일: [[review/audio/2-3/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 바이어스에서 tendency of the statistical or predictive model to over and underestimate a parameter. 자, 파라미터라는 건 뭐냐면 여러분들이 우리가 이제 distribution이라면 정규분포였어요. 그럼 뭐를 따진다? 뷰와 시그마를 추정하고 싶죠.

2차 전사:  to over and underestimate a parameter 자, 파라미터라는 건 뭐냐면 여러분들이 우리가 이제 디스트리비션이라면 정규분포였어요. 그럼 뭐를 따진다? 뷰어 시그마를 추정하고

**자료·검토에 따른 정정:** 정규분포의모수μ(평균),σ(표준편차)

근거: 영상1151초frame00067실제곡선의μ25σ5라벨을확인했다. μ,σ명칭은AI정의정리이며실제발음검증은아니다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 9

## 2-3 창 0023 · 00:21:06–00:21:28 · 학습 보류

neural network및정규분포도모델이라는문장이원전사에서손상되어문맥을재인식이더명료하게쓰나직접자료로발화전체를확정할수없다.

![[review/audio/2-3/clips/0023.m4a]]

근거 파일: [[review/audio/2-3/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 실제 나이와 되게 유사하도록 만들어주는 이 F모델을 만들고 싶다면 결국은 이 F모델은 뭘로 구성되어 있죠? 이게 뉴럴 레터가 구했다면 이 X와 이 파라미터로 구성되어 있는 이게 세타로 구성되어 있다는 거죠. 자, 이 파라미터, 결국은 파라미터 이것도 파라미터, 그렇죠? 결국은 정규모 버드 모델인 거예요, 여러분. 그렇죠? 모든 어떤 디스트리비션이라는 것도 모델이 될 겁니다.

2차 전사:  나이와 되게 유사하도록 만들어주는 이 f 모델을 만들고 싶다면 결국 이 f 모델은 뭘로 구성되어 있죠? 이게 neural network이 있다면 이 x와 이 파라미터로 구성되어 있는 이 세타로 구성되어 있다는 거죠. 자 이 파라미터 결국은 파라미터 이것도 파라미터 그렇죠? 결국은 정규분포도 모델인 거예요. 그렇죠? 모든 어떤 디스트리비션이라는 거.

## 2-3 창 0024 · 00:21:36–00:22:06 · 학습 보류

그렇지않죠 대그렇잖아요가선형모형선호질문에서긍정/부정을바꾸어미확정이다.

![[review/audio/2-3/clips/0024.m4a]]

근거 파일: [[review/audio/2-3/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 과소하게 적합하도록 유사하게 만들어주는 우리 만의 경향성, 스태티스카라는 또는 프라이피티 모델에 대한 경향성을 바이어스라고 부르는 겁니다. 무슨 말인지 하도 못 알아듣겠네요. 생각할 수 있겠지만 어떤 의미냐고 있는다면 모델에 대한 경향성이다. 내가 이걸 언더피팅할 수도 있는데 예를 들어서 데이터가 이렇게 생겨먹었어요. 이걸 내가 실제 이렇게 이런 걸 원하는 걸까요? 그렇지 않죠? 내가 새로운 데이터가 이런 게 왔어요.

2차 전사:  유사하게 만들어주는 우리만의 경향성, Static Scrum 또는 Private Model에 대한 경향성을 바이어스라고 부르는 겁니다. 무슨 말인지 하나도 못 알아 듣겠네 라고 생각할 수 있겠지만 어떤 의미냐 라고 여긴다면 모델에 대한 경향성이다. 내가 이걸 언더피팅 할 수도 있는데 예를 들어서 데이터가 이렇게 생겨나왔어요. 이걸 내가 실제 이렇게 이런 걸 원하는 걸까요? 그렇잖아요.

## 2-3 창 0025 · 00:22:22–00:22:31 · 중요한 의미 차이 미발견

관측값의오차를설명한다는뜻은같고너무밀착시키지말라는부정은창끝에서잘린다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0025.m4a]]

근거 파일: [[review/audio/2-3/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 잔차가 에러값, 이렇게 거의 비슷한 거라고 보시면 돼요. 에러값이 발생할 수 있기 때문에 그럼 우리가 이런 관측지가 실제 있을 때 어떻게 잘 맞출 수 있냐? 실제 원래 있었던 관측지에 대해서 그냥 너무 오밀조밀하게 다 맞추려고 노력하지 말고

2차 전사:  비슷한 거라고 보시면 돼요. 에러값이 발생할 수 있기 때문에. 그러면 우리가 이런 관측지가 실제 있을 때 어떻게 잘 맞출 수 있냐? 실제 원래 있었던 관측지 그래서 그냥 너무

## 2-3 창 0026 · 00:22:41–00:22:52 · 중요한 의미 차이 미발견

CNN과강아지허쉬퍼피예시가같으며마지막그림평가는경계바깥이다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0026.m4a]]

근거 파일: [[review/audio/2-3/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 얘기한다면 이게 모델링하는 우리 측면에서의 바이어스가 된다는 겁니다 제가 CNN 얘기를 했었죠 그래서 이런 허쉬 퍼피에 해당되는 이런 강아지가 이렇게 했을 때 좀 잘 못 그렸지만

2차 전사:  모델링하는 우리 측면에서의 바이어스가 된다는 겁니다 제가 CNN 얘기를 했었죠 그래서 허쉬 퍼피에 해당되는 강아지가 이렇게 있을 때

## 2-3 창 0027 · 00:23:04–00:23:14 · 학습 보류

멀리떨어진픽셀을모두봐야하나라는질문에그렇지않다는부정은같다. 재인식의무의미어는추가손상이다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0027.m4a]]

근거 파일: [[review/audio/2-3/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 컨볼루션 필터가 어떻게 되든 풀링 레이어가 어떻게 되든 이 해당되는 픽셀을 이렇게 멀리 떨어지는 걸 다 보셔야 될까요? 실제 그렇지 않다는 거죠.

2차 전사:  뭐 풀링 레이어가 어떻게 되든 바꾸 똥꼬가 이 해당되는 픽셀에 이렇게 멀리 떨어지는 걸 다 볼 수 있을까요? 네, 실제 그렇지 않다는 거죠

## 2-3 창 0028 · 00:23:37–00:23:52 · 중요한 의미 차이 미발견

bias가무조건나쁘지는않다는부정과selection/confirmation bias두유형은같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0028.m4a]]

근거 파일: [[review/audio/2-3/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 나쁜 건 아니에요 여기서 얘기하는 바이어스 나쁜 건 아니에요 그래서 여러분들의 기본적인 바이어스에 대한 개념을 이렇게 이해를 해주시면 될 것 같아요 selection bias와 confirmation bias에 대한 개념이 있는데 간단하게 설명을 좀 하고 넘어갈게요 selection bias는 어떻게 보면 내가 의도해서 특정 샘플을 선택하거나

2차 전사:  바이어스는 나쁜 건 아니에요. 여기서 얘기하는 바이어스는 나쁜 건 아니에요. 그래서 여러분들이 기본적인 바이어스에 대한 개념을 이렇게 이해를 해주시면 될 것 같아요. 슬렉션 바이어스와 컨퍼메이션 바이어스에 대한 개념이 있는데 간단하게 설명 조금만 하고 넘어갈게요. 슬렉션 바이어스는 어떻게 보면 내가 의도해서

## 2-3 창 0029 · 00:24:14–00:24:30 · 중요한 의미 차이 미발견

1·2년단기예측과겨울→봄계절요인의방향이같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0029.m4a]]

근거 파일: [[review/audio/2-3/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 부동산 투자하는 학생들은 없겠지만 예를 들어서 최근 몇 년 동안 봤을 때 부동산 급격하고 오다가 갑자기 폭락 조진도 오다가 다시 오르게다 내리다 이런 현상들을 계속 반복할 것 같습니다. 제가 그랬을 때 여러분들이 앞으로 어떻게 될 것이냐. 사실 1, 2년 내에 단기 예측이 필요한다고 봤을 때 만약에 이 부동산 예측이 계절적인 요인에 크게 영향을 받는다. 그래서 우리가 지금 겨울인데 내년이 봄시장이야.

2차 전사:  오르겠다, 내리다 이런 현상들을 계속 반복할 것 같습니다. 자, 그랬을 때 여러분들이 앞으로 어떻게 될 것이냐. 사실 1, 2년 내에 단기 예측이 좀 필요하다고 봤을 때 만약에 이 부동산 예측이 계절적인 요인에 크게 영향을 받는다. 그래서 우리가 지금 겨울인데 내년이 봄 시장이야.

## 2-3 창 0030 · 00:25:52–00:25:59 · 자료 근거 정정 있음

분산에제곱근을취하면standard deviation이라는용어를재인식이더명료하게쓰며실제자료명칭으로정리한다.

![[review/audio/2-3/clips/0030.m4a]]

근거 파일: [[review/audio/2-3/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 보통 이제 루트를 입히면 어떻게 되죠? Standard Abation이 나오죠. 그런 것들에 대해서 이해를 하시면 될 것 같고 여기 보시면

2차 전사:  루트로 쓰면 어떻게 되죠? 그냥 표준이 편차가 되죠. 스탠드 데베이션이 나오죠. 그런 것들에 대해서 이해를 하시면 될 것 같고

**자료·검토에 따른 정정:** standard deviation(표준편차)=분산의제곱근

근거: PPT12실제media/image23.png의Standard deviation라벨과Variance설명을 직접보았다. 제곱근관계는AI정의정리다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 12

## 2-3 창 0031 · 00:26:13–00:26:24 · 자료 근거 정정 있음

IQR의Q3−Q1및interquartile range가손상되어실제박스플롯의위아래사분위수를근거로정리한다.

![[review/audio/2-3/clips/0031.m4a]]

근거 파일: [[review/audio/2-3/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Q3에서 Q1가서 빼는 이 렌즈 자체를 Interfrontal Range 라고 IQR이라고 얘기하는데 이 IQR조차도 지금 넣기죠. 이 IQR조차도 데이터가 얼마나

2차 전사:  q1 가서 빼는 이 range 자체를 inter-frontal range라고 iqr이라고 얘기하는데 이 iqr조차도 지금 여기죠 이 iqr조차도 데이터가 얼마나 커져야

**자료·검토에 따른 정정:** interquartile range(IQR)=Q3−Q1

근거: 영상1580초 frame00090에서Q3−Q1필기와PPT4 media/image7.png박스의first/third quartile,IQR표시를 직접확인했다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 12

## 2-3 창 0032 · 00:27:02–00:27:14 · 중요한 의미 차이 미발견

boxplot관측표시에서bias/variance tradeoff로옮긴다는내용은같다. 후반은창끝이다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0032.m4a]]

근거 파일: [[review/audio/2-3/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 우리 관측지상에 존재하는 그런 애들을 이렇게 별이나 점으로 표시하는 경우들이 있습니다. 그래서 박스 플라트 볼 때 이해 안 되는 거 없도록 항상 그렇게 해주기 때문인 것 같고요. 앞에서 얘기했었던 바이어스에 대한 개념을 바이어스 베어런스 트레이드 오프로 가져오게 되면

2차 전사:  이렇게 별이나 점으로 표시하는 경우들이 있습니다 그래서 boxplot 볼 때 이해 안 되는 거 없도록 항상 그렇게 해주세요 자 앞에서 얘기했었던 바이어스에 대한 개념을

## 2-3 창 0033 · 00:27:28–00:27:42 · 학습 보류

bias·variance·잔차의합이라는설명은같지만정확한기대제곱오차분해식까지확정할수있는문장은아니다.

![[review/audio/2-3/clips/0033.m4a]]

근거 파일: [[review/audio/2-3/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여기에서의 바이어스는 일반적으로는 뭐냐면 모델이 일반적으로는 예측된 y와 실제 y에 대한 차이점을 전체 우리 모델이 못 맞춘 정도에 대한 비율이라면 바이어스는 여기서는 바이어스 에러, 베런스 에러, 이거 바이어스 베런스 플러스 우리가 맞추지 못한 어떤 잔차 부분이 있다라고 말씀하시면 되겠다면 이 모든 것들을 더했을 때 이게 이 해당된 잔차의 합이 된다고 생각하시면 될 것 같고요.

2차 전사:  전체 우리 모델이 못 맞춘 정도에 대한 비율이라면 바이어스는 여기서는 바이어스 에러, 베어런스 에러 이거 바이어스 베어런스 플러스 우리가 맞추지 못한 어떤 잔차 부분이 있다라고 말할 수가 있다면 이 모든 것들을 더했을 때 이게

## 2-3 창 0034 · 00:27:58–00:28:08 · 중요한 의미 차이 미발견

bias감소와boosting,variance감소라는방향은두출력에서같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0034.m4a]]

근거 파일: [[review/audio/2-3/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 앙상브리에 대해서 학습했었던 친구들은 알겠지만 바이어스를 미니마이즈 하기 위해서는 일반적으로는 부스팅 컨셉 관련된 그런 모델도 많이 쓰게 됩니다. 또 배우리언스 측면에서의 배런스 에러를 미니마이즈 하기 위해서는

2차 전사:  여러분들 알겠지만 바이어스를 미니멀시 하기 위해서는 일반적으로는 부스팅 컨셉 관련된 모델도 많이 쓰게끔이죠. 또 배럴 이어는 측면에서의 어떤 배럴스...

## 2-3 창 0035 · 00:28:23–00:28:33 · 학습 보류

모델의민감한파라미터와큰variance,60점사례가같고70점은창끝이다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0035.m4a]]

근거 파일: [[review/audio/2-3/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 바이언스나 배리언스 모델로 자꾸 칠레 있게 되는 거. 모델의 활팍 바람탑이 너무 예민해서 그 배리언스가 상당히 큰 거. 60점짜리 되다가 70점짜리 되다가

2차 전사:  바이언스나 배리언스 모델로 자꾸 칠레에게 되는 거 모델의 헬빵바람턴들이 너무 예민해서 그 배리언스가 상당히 큰 거 이게 60점짜리

## 2-3 창 0036 · 00:29:05–00:29:17 · 학습 보류

deep learning대줌러닝,선형회귀대천연회기의용어가달라지지만복잡도비교방향은같다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0036.m4a]]

근거 파일: [[review/audio/2-3/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 딥러닝 모델이 이렇게 있습니다. 자 그러면 선형회기보다는 이 모델이 훨씬 더 복잡하죠

2차 전사:  이렇게 줌 러닝 모델이 이렇게 있습니다. 그러면 천연 회기보다는 이 모델이 훨씬 더 복잡해요.

## 2-3 창 0037 · 00:29:22–00:29:31 · 자료 근거 정정 있음

데이터가조금달라지면큰variance error라는방향이같고fitting의후속설명은경계바깥이다.

![[review/audio/2-3/clips/0037.m4a]]

근거 파일: [[review/audio/2-3/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모델에 대한 휘팅 수준을 훨씬 더 높게 가져갈 수가 있을 거예요 근데 데이터가 조금만 달라지면 딥러닝은 어떻게 된다? 상당히 상당히 큰 어떤 비아레이스 에러를 V 측면에서 에러가 되게 클 수가 있다 하지만 모델을 실제 데이터에 적합을 잘 해주니까

2차 전사:  데이터가 조금만 달라지면 딥러닝은 어떻게 되냐? 상당히 큰 비어리언스 에러를 V 측면에서 에러가 클 수가 있다.

**자료·검토에 따른 정정:** variance error(분산오차):학습자료가바뀔때예측이달라지는정도

근거: PPT13실제media/image24.png에서different samples of training data및variation in predictions라는문장을 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 13

## 2-3 창 0038 · 00:29:35–00:29:44 · 자료 근거 정정 있음

선형회귀의bias error를다이어트세력/IOS로읽어화면의Bias/Variance개념으로정리한다.

![[review/audio/2-3/clips/0038.m4a]]

근거 파일: [[review/audio/2-3/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 그 반대로 선형회기에서는 대자가 있다고 요리해준 게서도 나는 어떻게든 선형으로 맞추려다 보니까 다이어트 세력과 커요. 대신에 이 모델은 어떻게 하나

2차 전사:  자 그 반대로 선형외계에서는 모델 자체가 데이터가 있다고 해준게도 나는 어떻게든 선형으로 맞추려다 보니까 IOS 에러가 커요 대신에 이 모델은

**자료·검토에 따른 정정:** bias error(편향오차)

근거: PPT13 media/image24.png의선형모형가정과bias설명,영상1750초 frame00099의Bias/Variance원표시·선형모형그림을 직접확인했다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 13

## 2-3 창 0039 · 00:30:10–00:30:19 · 자료 근거 정정 있음

상관계수0의뜻에서선형성을손상시켜실제슬라이드의linear조건으로정리한다. 통계적독립을뜻한다고확정하지않는다.

![[review/audio/2-3/clips/0039.m4a]]

근거 파일: [[review/audio/2-3/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 커블레이션 코피션티가 0이라는 것은 상용적인 상관성이 없다. 라고 잘 이해할 수 있는 것 같습니다. 자, 디멘셜 리덕션은 어떤 의미냐면

2차 전사:  0이라는 것은 사용에 적용된 상관성이 없다라고 이해하도록 잘 이해해주시면 될 것 같습니다. 자, Demand-Energy Reduction은 어떤 의미냐면

**자료·검토에 따른 정정:** 상관계수0은선형상관성이없다는뜻이며일반적인독립을보장하지않는다.

근거: PPT14 media/image25.png에서linear조건을직접읽고영상1814초 frame00103에서도linear밑줄을 확인했다.독립과의구분은AI수학정리다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 14

## 2-3 창 0040 · 00:31:40–00:31:49 · 중요한 의미 차이 미발견

과소·과대표집뒤베이지안통계학으로전환한다는내용은같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0040.m4a]]

근거 파일: [[review/audio/2-3/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 언더스탬플링, 오버스탬플링에 대한 컨셉이 존재를 또 해요. 자, 베이전 스태티스틱스에 대한 설명은 이제 거의 끝까지 왔네요. 베이전 스태티스틱스는 기본적으로 베이전 통계학이라고 얘기를 하고요.

2차 전사:  오버스탑플링에 대한 컨셉이 존재해요 자, 베이저 스태티스틱스에 대한 설명은 이제 거의 끝까지 왔네요 베이저 스태티스틱스는 기본적으로 베이저는 통계학이라고 얘기를 하고

## 2-3 창 0041 · 00:31:51–00:32:03 · 자료 근거 정정 있음

베이지안통계학과uncertainty라는핵심용어가같다.

![[review/audio/2-3/clips/0041.m4a]]

근거 파일: [[review/audio/2-3/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기본적으로 어떤 베이전 통계학은 가장 중요한 용어가 언설틴티에 대한 개념이라고 보시면 될 것 같습니다.

2차 전사:  베이징 통계학은 가장 중요한 용어가 uncertainty에 대한 개념이라고 보시면 될 것 같습니다.

**자료·검토에 따른 정정:** Bayesian statistics(베이지안통계학),uncertainty(불확실성)

근거: PPT17제목Bayesian Statistics와실제media/image30.png의증거를반영하는베이즈식문맥을 확인했다. 불확실성의세부효과를자료만으로확정하지않는다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 17

## 2-3 창 0042 · 00:32:06–00:32:13 · 자료 근거 정정 있음

사정확률은사전확률로보정해야하며posterior와대비되는실제베이즈식라벨로정리한다.

![[review/audio/2-3/clips/0042.m4a]]

근거 파일: [[review/audio/2-3/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 무엇이냐 이렇게 이해를 좀 하시면 될 것 같아요. 자 이 베이지안 통계학에 관련된 부분들은 사정확률과 사후확률에 대한

2차 전사:  이렇게 이해를 좀 하시면 될 것 같아요. 자, 이 베이징 통계학에 관련된 부분들은 사정 확률과...

**자료·검토에 따른 정정:** 사전확률(prior probability),사후확률(posterior probability)

근거: PPT17실제media/image30.png베이즈식에Prior Probability와Posterior Probability라벨을 시각확인했다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 17

## 2-3 창 0043 · 00:32:37–00:32:53 · 학습 보류

빈도주의·표본·μσ추정이라는내용은같다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0043.m4a]]

근거 파일: [[review/audio/2-3/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 최대한 데이터를 무작위 랜더 샘플링을 해서 이 해당되는 표본을 기준을 해서 모수에 대한 어떤 특징 등들을 보려고 하는 거죠. 샘플이 많다라면 빈도주의에 의해서도 되게 강건한 어떤 뮤시그마한 추정할 수가 있다는 거죠. 빈도주의 통계학과 더불어서

2차 전사:  이 해당되는 표본을 기준으로 해서 오수에 대한 어떤 신경들을 갖다가 보려고 하는 거죠 샘플이 많다라면 빈도주의에 의해서도 되게 강건한 뮤시그마 추정할 수가 있다는 거죠 자 빈도주의 통계학과 더불어서

## 2-3 창 0044 · 00:33:01–00:33:11 · 중요한 의미 차이 미발견

자료가부족할때강건한일반화모델을위해베이지안을쓴다는내용은같고이유문장은창끝이다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0044.m4a]]

근거 파일: [[review/audio/2-3/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 데이터가 많이 부족하다. 각성 모델을 만들 때 어떻게 하면 일반 성능이 높거나 강건한 모델을 만들 수 있을까 이런 측면에서 베이션 통계약을 많이 사용하게 됩니다. 그 이유는 내가 적어둔 대로 불확실성을 이스티메이션하는데

2차 전사:  데이터가 많이 부족하다, 상대적으로 데이터가 부족했을 때 학습 모델을 만들 때 어떻게 일반 성능이 높거나 강거나 모델을 만들 수 있을까 이런 측면에서 베이징한 통계학을 많이 사용하게 됩니다.

## 2-3 창 0045 · 00:33:49–00:33:57 · 학습 보류

재인식이뒤를장시간반복하여50%/50%및10번이라는원전사의숫자주장을뒷받침하지못한다. 음성확인필요다.

![[review/audio/2-3/clips/0045.m4a]]

근거 파일: [[review/audio/2-3/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아 이에 대한 사전 확률 안면도 50% 뒤면 50% 알고 있다라면 빈도주의에 기반 돼서 안면만 10번 던졌는데

2차 전사:  아, 이에 대한 사전 확률, 앞면도 50% 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤, 뒤

## 2-3 창 0046 · 00:34:04–00:34:12 · 자료 근거 정정 있음

사전/사장확률의용어를실제Prior Probability라벨로보정한다.

![[review/audio/2-3/clips/0046.m4a]]

근거 파일: [[review/audio/2-3/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 해당되는 사전 확률을 반영하자. 그래서 어떤 불확실성을 미니마일 하려고 이 베이전 스태티스 X에 대한 부분들을 다루게끔 되는 게 이 특징이라고 보시면 될 것 같습니다.

2차 전사:  해당되는 사장 확률을 반영하자. 그래서 어떤 불확실성을 미니마리지 하려고 evasion statistics에 대한 부분들을 갖다가

**자료·검토에 따른 정정:** 사전확률(prior probability)

근거: PPT17실제media/image30.png에서P(H)의Prior Probability라벨을 직접보았다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 17

## 2-3 창 0047 · 00:34:43–00:34:51 · 중요한 의미 차이 미발견

모든여섯면이6인주사위예시와여러번시행한다는내용이같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0047.m4a]]

근거 파일: [[review/audio/2-3/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아 이거는 모든 6면에 6이 있을 거야 뭐 이렇게 얘기해 보는 거 그냥 우기는 거죠. 그렇죠. 그거는 이제 빈도주의적으로 봤을 땐 최대한 우리가 여러 번 던진다면

2차 전사:  아 이거는 모든 육면에 6이 있을 거야 뭐 이렇게 얘기해보면 우기는 거죠 그렇죠 그거는 이제 빈도주의적으로 봤을 땐

## 2-3 창 0048 · 00:35:01–00:35:51 · 학습 보류

샘플사이즈가적다면/있었다면의조건차이와posterior명칭손상이있다. posterior라벨은확인되나표본수조건은청취없이미확정이다.

![[review/audio/2-3/clips/0048.m4a]]

근거 파일: [[review/audio/2-3/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 사실 몇 번 시행해보는 것만으로는 알 수 없다는 거죠. 그런 측면에서 샘플 사이즈가 적다면 베이지한 통계학을 활용하는 경우가 상당히 많이 있게끔 됩니다. 우리가 베이지한 통계학을 베이지한 Theorem을 기준으로 다진다면 다음 같은 수식을 통해서 알 수 있다고 얘기를 했어요. 그래서 첫 번째로는 이벤트, 이게 X라고 표현하면 된다고 했죠? H, 우리가 추론하고 싶어하는 어떤 Y, 강아지야 고양이야 이걸 보는 거죠. 어떤 사진을 하나 보여주고 나서 이 사진으로부터 강아지는 고양이로 잘 확률을 만드는 거 이 probability를 구하는 게 우리가 알고 싶은 거죠 이 probability를 우리가 일반적으로 포스트의 probability라고 보겠습니다 4, 5 확률이에요 이 4, 5 확률을 계산하는 방식을 이걸 바이러스 버스에 바꾸면 probability of event given hypothesis 이렇게 해서

2차 전사:  몇 번 시행해보는 것만으로는 알 수 없다는 거죠. 그런 측면에서 샘플 사이즈가 있었다면 베이지한 통계학을 활용한 경우가 상당히 좀 많이 있게끔 됩니다. 우리가 베이지한 통계학을 베이지한 시어리엄을 기준으로 따진다면 다음 같은 수식을 통해서 알 수 있다고 얘기를 했어요. 첫 번째로는 이벤트, 이게 X라고 표현하면 된다고 했죠? H, 우리가 추론하고 싶어하는 어떤 Y, 강아지야, 고양이야, 이걸 보는 거죠. 어떤 사진을 하나 보여주고 나서 강아지로 고양이래 고양이로 이렇게 잘 확률 만드는 거 이 probability를 구하는 게 우리가 이제 알고 싶은 거죠 이 probability를 우리가 일반적으로 cost-referral probability라고 부릅니다. 4, 5 확률이에요. 자, 이 4, 5 확률을 계산하는 방식을 이걸 바이플리스에 바꾸면 probability of event given

**자료·검토에 따른 정정:** posterior probability(사후확률),P(H|E)

근거: PPT17media/image30.png와영상2120초frame00121의Posterior Probability of H given evidence라벨을 직접보았다. 적다면/있었다면표본수조건은이근거로결정할수없다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 17

## 2-3 창 0049 · 00:36:15–00:36:21 · 자료 근거 정정 있음

μσ모수추정과Poisson예시로넘어간다는뜻은같다.

![[review/audio/2-3/clips/0049.m4a]]

근거 파일: [[review/audio/2-3/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 샘플들 많이 보고 정규분포에서는 u, 시그마 이런 걸 추정하려고 하는 거죠. 그렇죠? 또는 아까 얘기했으면 포화성분 같은 경우에는

2차 전사:  정규분포에서는 뮤 시그마 이런 걸 추정하려고 하는 거죠. 또는 아까 얘기했을 때 포화성 분포 같은 경우에는

**자료·검토에 따른 정정:** Poisson distribution(포아송분포)

근거: PPT8실제media/image19.png제목Poisson Distribution을 직접보았다. 앞선대기시간해설의정확성은별도unresolved로남겼다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 8

## 2-3 창 0050 · 00:36:52–00:37:05 · 학습 보류

동전앞면일때의증거예시와사전확률50%설명은같지만사전/우도/증거의조건관계가정확히복원되지않는다.

![[review/audio/2-3/clips/0050.m4a]]

근거 파일: [[review/audio/2-3/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 의도가 만약에 동전 플립하는 거다. 앞면 나와, 뒷면 나와 이렇게 얘기했을 때 이 H는 앞면이 나옵니다라면 그때는 어떤 측정이 있었어요? 그러니까 앞면이 동전을 던질 때는 아이스크림 먹고 있더라고요. 예를 들어서 이런 X를 설명할 수 있다는 얘기죠. 그거와 다르게 이건 실제 시행과 관련된 부분이니까요. 앞에 있는 게 뭐죠? 앞면과 뒷면은 각각 50% 확률에 나올 확률이 있다는 사전 확률을 줄 수 있다는 겁니다.

2차 전사:  앞면이 나온다라면 그게 어떤 특징이 있어요? 그러니까 앞면이 동전을 던질 때는 아이스크림을 먹고 있더라고요. 예를 들어서 이런 X를 설명할 수 있다는 얘기죠. 그거와 다르게 이건 실제 시행과 관련되고

## 2-3 창 0051 · 00:37:15–00:37:32 · 자료 근거 정정 있음

prior probability가probability로누락되어posterior∝prior×likelihood라는실제식의인수로정리한다.

![[review/audio/2-3/clips/0051.m4a]]

근거 파일: [[review/audio/2-3/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 밑에 있는 evidence에 해당되는 부분들을 차치하고요. 그러면 posterior property를 매치마시 하려면 어떻게 된다? prior property를 활용하고 뒤에 있는 likelihood, 실제 x가 그 해당되는 모습에 대해서 잘 추정되는 모델이 있어야 실제 우리가 x를 가지고 y를 잘 추정할 수 있는 이 모델을 만들 수가 있겠죠.

2차 전사:  이제 evidence에 해당되는 부분들은 좀 차치하고요. 그러면 이 posterior probability를 maximize 하려면 어떻게 된다? probability를 활용하고 뒤에 있는 likelihood, 실제 x가 그 해당되는 모습에 대해서 잘 추정되는 모델이 있어야 실제 우리가 x를 가지고 y를 잘 추정할 수 있는

**자료·검토에 따른 정정:** P(H|E)=P(H)P(E|H)/P(E);고정된E에서posterior는prior×likelihood에비례한다.

근거: PPT17실제media/image30.png및영상2241초 frame00128에서베이즈식의세인수와posterior/prior/likelihood라벨을 직접확인했다. 분모를생략할때고정된증거라는조건은AI수학정리다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 17

## 2-3 창 0052 · 00:38:00–00:38:07 · 학습 보류

regularization과Bayesian approach용어가같고모수를못으로손상시킨다. 두 출력의 핵심 용어가 함께 손상되었거나 수학적 일반화가 불명확하므로 원음 확인 없이 정확성을 인정하지 않는다.

![[review/audio/2-3/clips/0052.m4a]]

근거 파일: [[review/audio/2-3/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 두 번째는 여러분들이 이 수업을 통해서 배우게 될 레귤리제이션 컨셉에 해당되는 점이 있으니까 이거는 나중에 또 다시 한번 설명할게요. 베이지안 오프로치는 못을 추정하는 데 있어서

2차 전사:  배우게 될 레귤리제이션 컨셉에 해당되는 부분이 있으니까 이거는 나중에 또 다시 설명할게요 베이저업 오프로치는 이제 못을 추적

## 2-3 창 0053 · 00:38:39–00:38:57 · 자료 근거 정정 있음

데이터증강기법을커뮤니테이션/코멘테이션으로읽어실제Data augmentation항목과미디어로보정한다.

![[review/audio/2-3/clips/0053.m4a]]

근거 파일: [[review/audio/2-3/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 상승 모델을 만들 때 좀 더 강건한 모델을 만들 수 있다더라 그것까지만 좀 이해하시면 될 것 같아요. 마지막으로는 데이터 커뮤니테이션 관련된 내용이 있는데요. 이건 실제 이미지 데이터에 많이 쓰이는 데이터 증강 기법이죠. 그래서 데이터를 갖다가 어떻게 로테이션 시키거나 플립 시키거나 뭐 줌이나 줌하다가

2차 전사:  때 좀 더 강건한 모델을 만들 수 있다더라 라는 것까지는 이해하시면 될 것 같아요. 마지막으로는 데이터 코멘테이션 관련된 내용이 있는데요. 이건 실제 이미지 데이터에 많이 좀 쓰이는 데이터 증강 기법이죠. 그래서 데이터를 갖다가 어떻게 로테이션 시키거나 플립 시키거나 뭐 줌이라도 줌하고

**자료·검토에 따른 정정:** 데이터증강(data augmentation)

근거: PPT18실제text의Data augmentation과media/image32.png고양이변형,image34.png기린변형그림을 직접보았다. 영상의회전/반전/확대예시와맥락이같다.

자료: 2.2_Basic_Statistics_for_Data_Mining · 물리 페이지/슬라이드 18

## 2-3 창 0054 · 00:39:13–00:39:21 · 중요한 의미 차이 미발견

일반화성능을최대화하고unseen data예측을잘해야한다는목표방향이같다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0054.m4a]]

근거 파일: [[review/audio/2-3/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기본적으로 가장 중요한 것과 학습모델 만들 때 제너럴리제이션 파워가 얼마나 웃기냐 이거를 최대화 시키려면 어떻게 해야 돼? 언신 데이터셋을 봐도 얘가 예측을 잘하더라.

2차 전사:  그 학습모델 만들 때 Generalization Power가 얼마나 웃기냐 이거를 최대화 시키려면 어떻게 해야 돼? Unseen Data Set을 봐도 얘가 예측을 잘 하더라

## 2-3 창 0055 · 00:39:34–00:39:46 · 중요한 의미 차이 미발견

다음주강의안내·마무리의차이이며수학·통계학습주장의차이는없다. 두 출력의 중요차이가 없다는 판정이며 발화·내용의 정확성 확정은 아니다.

![[review/audio/2-3/clips/0055.m4a]]

근거 파일: [[review/audio/2-3/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 이번 수업 짧게 하려고 했더니 벌써 40분째 촬영을 하고 있네요. 자, 이번 수업은 여기까지 마치도록 하고요. 원래 그 다음에 선형대수와 관련된 수업을 하게 된다면 수업 듣는 내용 수고 많았습니다. 한 주 잘 보내시고 다음 주에 또 봅시다.

2차 전사:  자, 이번 수업은 여기까지 마치도록 하고요. 그 다음에 선영대 수업과 관련된 수업을 하게 된다면 다음 주에 진행하겠습니다. 수업은 수고 많았습니다. 한 주 잘 보내시고 다음 주에 또 봅시다.