여기서 우리는 단계적 noise임을 알아야한다.나만 그런것인지는 모르겠지만, 저런 글을 보면 한순간에 이렇게 확률로 추정 하는 것으로 착각 하는데추론시 단계별로 stage을 주어서 점차 생성을 하는 것이다. 나는 공식을 배우다 보면단계적 생성이 아니라 아무것도 없는 noise에서 갑자기 이미지가 생성 된다는 착각을 하게 된다. 노이지를 약간식 없애면서 생성을 하는건데이게 사람 눈에는 약간 약간 제거 하면서 생성하고또한 학습할때는 노이지를 약간약간 추가를 하면서 그것을 기반으로 추측을 하게 되는거다. 그러면 사람 눈에는 약간약간 추가 되는게 눈에 보이지 않지만?컴퓨터는 이게 노이지 추가 되는것 어떻게 되는 것인지 확인이 필요하다. 사람의 눈으로 볼 때:초기 단계에서는 노이즈가 매우 미세하게 추가되어서 거의..

https://rlfmehs23.tistory.com/60 디퓨전 모델 공부해보자1 모델이 어떻게 작동할까?https://process-mining.tistory.com/182 Diffusion model 설명 (Diffusion model이란? Diffusion model 증명)Diffusion model은 데이터를 만들어내는 deep generative model 중 하나로, data로부터 noise를 조금씩 더해가면서 data를 완rlfmehs23.tistory.com이전 글을 이어서 쓰는 중이다. 위의 블로그에서 이해가 안되는 부분을 풀어서 썼습니다.제가 추적하면서 글 쓰는것인데 아닐 수도 있습니다.그러니 틀린 부분 댓글로 써주세요. 제가 다시 수정하겠씁니다. 베이즈 정리 기본 개념부터 시작해본다..

https://process-mining.tistory.com/182 Diffusion model 설명 (Diffusion model이란? Diffusion model 증명)Diffusion model은 데이터를 만들어내는 deep generative model 중 하나로, data로부터 noise를 조금씩 더해가면서 data를 완전한 noise로 만드는 forward process(diffusion process)와 이와 반대로 noise로부터 조금씩 복process-mining.tistory.com위의 블로그에서 이해가 안되는 부분을 풀어서 썼습니다.제가 추적하면서 글 쓰는것인데 아닐 수도 있습니다.그러니 틀린 부분 댓글로 써주세요. 제가 다시 수정하겠씁니다. 디퓨전은 무엇일까? " Diffusion..

Markov Reward Process(MRP)Markov Reward Process(MRP)는 Markov Process의 개념을 확장하여 각 상태에 보상이라는 개념을 추가한 수학적 모델입니다. 기존의 Markov Process가 단순히 상태 간의 전이 확률만을 다뤘다면, MRP는 각 상태가 얼마나 가치있는지를 정량적으로 평가할 수 있게 해줍니다. 이는 다음의 Markov Property를 기본으로 합니다: $$P(S_{t+1} | S_t, S_{t-1}, ..., S_0) = P(S_{t+1} | S_t)$$ 이 식이 의미하는 바는 다음 상태로의 전이 확률이 오직 현재 상태에만 의존한다는 것입니다. 보상(Reward)MRP에서 가장 핵심적인 개념은 보상(Reward)입니다. 보상은 특정 상태에 도달했..

마코프 프로세스(Markov Process)기본 개념마코프 프로세스는 확률적 시스템을 모델링하는 수학적 도구입니다. 시간이 흐름에 따라 시스템의 상태가 변화하는데, 이때 다음 상태는 오직 현재 상태에만 의존한다는 특별한 성질을 가집니다.핵심 특성확률 과정 (Stochastic Process)시간에 따라 상태가 확률적으로 변화미래 상태를 100% 확실히 예측할 수 없음이산 시간 (Discrete Time)연속적이 아닌 단계별로 시간이 변화예: 매일, 매시간, 매분 단위로 상태 변화마코프 특성 (Markov Property)미래는 오직 현재에만 의존과거 이력은 미래 예측에 영향을 주지 않음상태 전이 확률과 상태변이확률의 수학적 이해1. 상태 전이 확률의 정의와 해석$$P[s_{t+1}|s_t] = P[s_{..

베이즈 정리 베이즈 정리는 새로운 데이터가 주어졌을 때, 우리의 기존 예측을 얼마나 수정해야 하는지 알려주는 수학적 공식입니다. 우리가 어떤 사건에 대해 처음에 가지고 있던 확률(사전확률)이 있고, 새로운 데이터가 들어왔을 때 이를 반영해서 확률을 업데이트(사후확률)하는 과정을 수식으로 표현한 것이죠. 베이즈 정리가 특별히 유용한 상황들을 살펴보면: 1. 데이터가 부족할 때: - 전문가의 경험이나 기존 지식을 사전확률로 활용할 수 있습니다 - 여기에 새로 수집된 적은 양의 데이터를 결합해서 더 나은 예측이 가능합니다 2. 실시간으로 데이터가 쌓일 때: - 매일 새로운 데이터가 들어오는 경우 - 전체 데이터를 다시 분석할 필요 없이 - 어제의 분석 결과(사전확률)에 오늘의 새 데이터만 반영해서 업데이트할 ..