#statistics
노트 7개
AI & Data
데이터의 위치 추정: 평균·절사평균·가중평균·중앙값수치 데이터를 값 하나로 대표하는 위치 추정(대푯값)을 정리한다. 산술평균은 이상치 하나에 크게 흔들리므로, 양 끝을 잘라 내는 절사평균, 데이터마다 중요도를 주는 가중평균, 순서의 가운데를 쓰는 중앙값을 상황에 맞게 고른다.
AI & Data
분류 모델 성능 평가 지표분류 모델은 혼동 행렬의 TP·FP·FN·TN으로 평가한다. 정밀도·재현율이 서로 맞바뀌는 이유, 정확도가 불균형 데이터에서 속이는 이유, 조화평균인 F1 점수, 임계값을 바꿔 그리는 ROC 곡선과 AUC(양성이 드물면 PR AUC), 회귀 지표 MAE·RMSE·MAPE·R²와 문제 유형별 지표 고르기, 객체 탐지의 IoU·PR 곡선·AP·mAP를 정리한다.
AI & Data
불확실한 지식으로 추론하기: 베이지안 분류기와 퍼지 추론불확실성을 다루는 두 추론 방식을 비교한다. 베이지안 추론은 경계가 분명한 부류 중 어디에 속하는지가 불확실할 때 베이즈 정리로 사후확률을 계산하고, 퍼지 추론은 '키 큰 사람'처럼 경계 자체가 흐릿할 때 0~1의 소속도로 집합과 논리를 확장한다.
AI & Data
시계열 분석: 정상성·분해·ARIMA에서 Prophet과 딥러닝 예측까지시간 순서로 관측한 데이터를 다루는 시계열 분석을 정리한다. 추세·계절성·주기 성분, 정상성과 ACF·PACF·단위근 검정, 로그 변환과 차분, 고전 분해와 STL, 기준 예측과 지수평활, ARIMA·SARIMAX와 GARCH 같은 확장, Prophet의 성분 모델과 주요 파라미터, 윈도 지도 학습·seq2seq·인과 합성곱 같은 딥러닝 예측, 시간 순서를 지키는 평가, DTW 거리로 하는 시계열 분류·군집까지 다룬다.
AI & Data
지능형 튜터링 시스템과 베이지안 지식 추적지능형 튜터링 시스템(ITS)은 학습자가 무엇을 알고 모르는지 추정해 맞는 문제와 피드백을 주는 교육 소프트웨어다. 생성 규칙과 버그 규칙으로 이뤄진 도메인 모델, 숙달 정도를 기록하는 학생 모델, 정답·오답 관찰로 숙달 확률을 갱신하는 베이지안 지식 추적의 네 확률(사전·전이·추측·실수)과 갱신식, 숙달 학습과 적응형 순서, 교육 데이터 마이닝, 대규모 온라인 강좌가 부딪힌 피드백 문제를 정리한다.
AI & Data
프로덕트 데이터 분석: 지표, 로그, 실험서비스에 쌓이는 사용자 데이터로 제품을 계속 고치는 일. 서비스를 보는 틀(AARRR) → 로그를 지표로 → 지금 가장 중요한 지표(OMTM) → 쪼개서 들여다보기의 순서로 진행한다. 지표의 조작적 정의, 저량과 유량, 허무 지표, 선행 지표, 로그가 분석의 전제인 이유, 심슨의 역설·코호트·퍼널, A/B 테스트와 밴딧, 결과를 행동으로 옮기는 법을 정리한다.
Life & Learning › Journalism
데이터 저널리즘 실무주제 설정부터 수집·정제·분석·시각화·기사화까지 데이터 기자들이 일하는 방식, 무료 도구로 시작하는 첫 시각화, 읽히는 데이터 기사와 탐사 매체의 펀딩 모델에 관한 논점.