728x90
동일(identical)한 하지만 구별(distinguishable) 가능한 입자들의 문제를 다루기 위해 볼츠만으로부터 시작된 통계 물리학은 물리학이라는 경계 내의 볼츠만 분포로 끝나는 것은 아닌 듯하다. 그 이유는 물리학의 범주와 아무런 관계가 없다고 볼 수 있는 머신 러닝 분야가 통계 물리학의 핵심적인 내용을 차용하고 있다는 점일 것이다. 도대체 무슨 소리인가 하는 강한 의문을 제기할 수 있겠지만 이미 볼츠만 분포와 Softmax 기법과의 관계에 대한 논의에서 보았듯이 부인할 수 없는 사실인 듯하다. 다음 사이트 주소에서 기본적인 논의 내용을 참고하기 바란다.
다음주소로 이동하여 마저 읽으세요.
https://steemit.com/kr/@codingart/2-13-logistic-regression-sigmoid
'머신러닝' 카테고리의 다른 글
| Rosenblatt Perceptron N = 1 조도센서 예제 Fermi-Diradc 확률분포를 사용하는 Sigmoid 확률분포 계산 (0) | 2018.09.06 |
|---|---|
| 통계역학의 Fermi-Dirac 확률분포, Fermi level 과 머신 러닝의 Sigmoid 함수에 대하여 (0) | 2018.09.06 |
| 2-5 퍼셉트론 개념에 입각한 훈민정음 자음(“+1”) 모음(“-1”) 구별 TensorFlow Softmax 예제 (0) | 2018.08.16 |
| 2-9 XOR 논리연산 성능 한계에 부딪힌 퍼셉트론 (0) | 2018.08.14 |
| 2-8 Rosenblatt Perceptron N = 2 TensorFlow Softmax 머신 러닝 확률 분석 (0) | 2018.08.14 |