Homework #4 (ÆÐÅÏÀνݳ·Ð)
Problem 1 (25)
¾î¶² ´ëÇü µµ¸Å»ó¿¡¼´Â ¼¼ Á¾·ùÀÇ ¾Æº¸Ä«µå¸¦ ´Ù·é´Ù: ¼Àεµ»ê (A), °úÅ׸»¶ó»ê (B), ¸ß½ÃÄÚ»ê (C). ¼Àεµ»êÀÇ ¹«°Ô´Â
1000~2000 ±×·¥ Á¤µµ·Î °¡Àå Å©¸ç, Àß ÀÍÀ¸¸é ºÎµå·¯¿î ÃʷϺÎÅÍ ºÓÀº ²®ÁúÀ» °®°Ô µÈ´Ù. ±×¸®°í ±â¸§Àº Àû°Ô´Â 7%±îÁö·Î¼
°¡Àå Àû°Ô ÇÔÀ¯ÇÏ°í ÀÖ´Ù. ¼Àεµ»êÀº Äɸ®ºñ¾È ±âÈÄÀÇ ³·Àº Áö¿ª¿¡¼ Àß ÀÚ¶ó¸ç. °úÅ׸»¶ó»êÀº (Hass)´Â Ä¿´Ù¶õ °íÁö ¾Æº¸Ä«µµ·Î½á
¹«°Ô´Â 500~600 ±×·¥À¸·Î, µÎ²¨¿ì¸ç ÇÑ ²®Áú, »©±âÈûµç ´Ü´ÜÇÑ ¾¾, º¸ÅëÀÇ ±â¸§ ÇÔÀ¯¸¦ °®´Â´Ù. ¸ß½ÃÄÚ »êÀº ºñ±³Àû ÀÛÀº °úÀÏ·Î
¹«°Ô´Â 75~300 ±×·¥, ¾ã°í ºÎµå·¯¿î °ËÀº»ö ²®Áú·Î »©±â½¬¿î ¾¾¸¦ °®°í ÀÖ´Ù. ÀÌ Á¾·ù´Â °¡Àå ¸¹Àº ±â¸§À» (¶§·Î´Â 30%)
ÇÔÀ¯ÇÏ°í ÀÖÀ¸¸ç °ÇÁ¶Çϸ鼵µ Ãß¿î Áö¹æ¿¡¼ ÀÚ¶õ´Ù.
ȸ»ç¿¡¼ ¹èÆ÷ÇÏ´Â °ÍÀÇ 50%´Â °úÅ׸»¶ó»ê, 35%´Â ¸ß½ÃÄÚ»ê, 15%´Â ¼Àεµ»ê À̶ó°í ÇÒ °æ¿ì, Á¦Ç°ÀÇ È®·üºÐÆ÷ÇÔ¼ö(pdf) ¸¦
¸¸µé·Á°í ÇÑ´Ù.
- (10) ¾Æº¸Ä«µµÀÇ Á¾·ù¿¡ °ü°è¾øÀÌ ¹«°ÔÀÇ ºÐÆ÷¸¦ ³ªÅ¸³»´Â È®·ü¹Ðµµ ÇÔ¼ö¸¦ ¸¸µé¾î ±×·¡ÇÁ·Î ±×¸®½Ã¿À.
À§¿¡¼ ÁÖ¾îÁø ¹«°ÔÀÇ »óÇÑ°ú ÇÏÇÑÀº "Æò±Õ¹«°Ô ± Ç¥ÁØÆíÂ÷"¸¦ ³ªÅ¸³½´Ù°í °¡Á¤ÇÔ.
- (10) ÀÌ·¯ÇÑ ºÐÆ÷¿¡ µû¶ó¼ N=5,000 ÀÇ ·£´ý Ç¥º»À» ¸¸µé°í ÀûÀýÇÑ ºó Å©±â¸¦ »ç¿ëÇÏ¿©
ÀÌ·¯ÇÑ Ç¥º» ºÐÆ÷ÀÇ È÷½ºÅä±×·¥À» ±×¸®½Ã¿À.
- (5) ÀÌ·ÐÀû ºÐÆ÷¿Í ½ÇÇèÀû ºÐÆ÷°¡ ÀÏÄ¡ Çմϱî? ¿Ö ¶Ç´Â ¿Ö ¾Æ´Ò±î¿ä?
HINT: È÷½ºÅä±×·¥ÀÇ Áß·®(³ÐÀÌ)¿Í ÀÌ·ÐÀû pdf´Â °¢°¢ 1 À̾î¾ß ÇÑ´Ù.
Problem 2 (30)
»çÀüÈ®·üÀº µ¿ÀÏÇÏ¸ç ´ÙÀ½°ú °°Àº ¿ìµµºÐÆ÷(likelihood density)¸¦ °°´Â µÎ Ŭ·¡½ºÀÇ ´Üº¯·® ºÐ·ù ¹®Á¦¸¦ °í·ÁÇغ¸ÀÚ.
P(X|w1) = N(¥ì=0,¥ò=2)
P(X|w2) = N(¥ì=4,¥ò=2)
- (5) ¿À·ùÀ²À» ÃÖ¼ÒÈÇÏ´Â ÃÖÀûÀÇ °áÁ¤±ÔÄ¢À» °áÁ¤Ç϶ó.
- (5) ÀÌ·ÐÀûÀÎ ¿À·ùÀ²À» °áÁ¤Ç϶ó (Hint: "quadv"¸¦ »ç¿ëÇÑ ¼öÄ¡ ÀûºÐÀ» »ç¿ëÇÒ ¼ö ÀÖ´Ù.)
- (10) Ŭ·¡½º´ç 100 °³ÀÇ ½ÇÇèÇ¥º»ÁýÇÕÀ» »ý¼ºÇÏ°í, ±×µéÀ» ¾ò¾î³»´Âµ¥ »ç¿ëÇÑ pdf ¿¡ µû¶ó¼ ·¹À̺íÀ» ºÙÀÌ°í,
(a)¿¡¼ À¯µµµÈ °áÁ¤ ±ÔÄ¢¿¡ µû¶ó¼ °¢°¢ÀÇ Ç¥º»À» ºÐ·ùÇϽÿÀ. °¢°¢ÀÇ Ç¥º»¿¡ ´ëÇÑ ½ÇÁ¦ ¶óº§¿¡ ´ëÇÑ ¿¹ÃøµÈ ¶óº§À» ºñ±³ÇÏ°í,
°áÁ¤ ±ÔÄ¢¿¡ µû¸¥ ºå·ù Á¤È®µµ¸¦ ÃßÁ¤ÇÏ°í, ÀÌ·¯ÇÑ ºÐ·ùÀ²ÀÌ (b)ÀÇ ¿À·ùÀ²°ú ºñ±³ÇÏ¿© ¾î¶°ÇÑ°¡?
- (5) 1,000 °³ÀÇ ½ÇÇè Ç¥º»¿¡ ´ëÇÏ¿© (c-d)¸¦ ¹Ýº¹ÇϽÿÀ. 10,000 °³ÀÇ ½ÇÇè Ç¥º»¿¡ ´ëÇÏ¿© (c-d)¸¦
¹Ýº¹ÇϽÿÀ.
- (5) ´ç½ÅÀÇ °á°ú¿¡ ´ëÇÑ ÀÇ°ßÀ» ³íÇϽÿÀ.
Problem 3 (15)
´Ùº¯·® °¡¿ì½Ã¾È ¹ÐµµÀÇ Æò±Õº¤ÅÍ¿Í °øºÐ»ê Çà·ÄÀÌ ´ÙÀ½°ú °°´Ù.
- (5) N=100 ÀÎ ·£´ý º¤Å͸¦ »ý¼ºÇÏ°í ±×µéÀÇ Æò±Õº¤ÅÍ¿Í °øºÐ»ê Çà·ÄÀ» ±¸ÇϽÿÀ. ±×µéÀÌ ÀÌ·ÐÀûÀÎ °ª°ú ÀÏÄ¡ Çմϱî?
±×·¸´Ù¸é ¿Ö±×·±Áö ¾Æ´Ï¶ó¸é ¿Ö ±×·¸Áö ¾ÊÀºÁö¸¦ ³íÇϽÿÀ.
- (5) ¸ðµç 3 ½ÖÀÇ Ãà¿¡ ´ëÇÏ¿© ºÐ»êÇ÷ÔÀ» ÀÛ¼ºÇϽÿÀ. (À̶§ ¸ðµç ÃàÀº °°Àº ½ºÄÉÀÏÀÌ µÇµµ·Ï "axis equal")À»
»ç¿ëÇϽÿÀ).
- (5) °è»êµÈ °øºÐ»ê Çà·Ä°ú ±×·ÁÁø ºÐ»êÇ÷ԵéÀÇ ±¸Á¶¿ÍÀÇ °ü°è¸¦ ³íÇϽÿÀ.
Hints
- Gaussian ÇÔ¼ö N(¥ì=10,¥ò=4) ¸¸µé¾î, ±×¸² ±×¸®±â
> x=[-10:30];
> F = exp(-0.5*(x-10).*(x-10)/16)/(sqrt(2*pi)*4);
> plot (x,F);
> hold on;
- °áÇÕµÈ Gaussian ÇÔ¼ö 60% N(¥ì=10,¥ò=4) ¿Í 40% N(¥ì=2,¥ò=2) ¸¦ ¸¸µé¾î, ±×¸² ±×¸®±â
> G= exp(-0.5*(x-2).*(x-2)/4)/(sqrt(2*pi)*2);
> FG = 0.6*F + 0.4*G;
> plot (x,FG);
- Gaussian ÇÔ¼ö N(¥ì=10,¥ò=4) ºÐÆ÷¸¦ °®´Â ¹«ÀÛÀ§ ÀÚ·á ¸¸µé¾î, È÷½ºÅä±×·¥À¸·ÎºÎÅÍ ºÐÆ÷¸¦ À¯ÃßÇÏ¿© ±×¸®±â
> N=5000;
> X = randn(N,1)*4+10 ;
> H = hist(X,x);
> plot(x, H/N, '--r')
- ÇÔ¼ö "f(x) = 10*x + 2" ¸¦ 5 ¡Â x ¡Â 10 ¿¡ ´ëÇÏ¿© ÀûºÐÇϱâ
> F = @(x) 10*x + 2;
> Q = quadv(F,5,10)
- GaussianÇÔ¼ö N(¥ì=2,¥ò=3)¸¦ -10¡Â x ¡Â 2 ¿¡ ´ëÇÏ¿© ÀûºÐÇϱâ
> G = @(x) 1/(sqrt(2*pi)*3) * exp(-0.5*(x-2)^2/9);
> Q = quadv(G,-10,2)
- 2D random vector ÀÇ Scatter plot ±×¸®±â
> mu = [0 5]; sigma = [3 0 ; 0 7];
> N = 100; X1 = randn(N,2) * sqrtm(sigma) +
repmat(mu,N,1); // Çà·ÄÀÇ Á¦°ö±ÙÀº sqrtm( ) »ç¿ë
> scatter(X1(:,1),X1(:,2), 3, [1 0 0]);