HMM계산1 1. HMM의 전제 지난번에 음성인식하는 방법에 대한 기본적인 개념을 살펴 보았습니다. 단순히 개념을 이해했다고 문제를 해결할 수 있는 것은 아니지요. 실제로 계산을 할 줄 알야야 합니다. 그래서 오늘은 전에 잠깐 쓰다가 만 HMM의 계산에 대해서 좀 더 자세히 알아보겠습니다. 계산은 수.. 인공지능관련/EM 2017.02.13
음성인식 소개1 0. 포커에서도 인공지능이 이겼다고 나오는데 이건 알파고보다 별로 인상적이지 않네요. 통계 전공하는 입장에서는 이건 알파고보다 훨씬 쉬운 문제라 보입니다. 더군다나 계임한 포커 선수들이 이전 게임 정보를 알고 있으면 속임수하는 것도 별 어려운 문제라 보이지 않습니다. 단순한.. 인공지능관련/EM 2017.02.06
인간감정인식:박쥐소리 인식 1. GMM 얼마전에 한겨레 과학 기사에 흥미로운 것이 올라왔네요. 박쥐 소리를 듣고 현재 박쥐의 상태를 파악하는 논문을 소개했습니다. 논문도 링크가 되어 있어 지금 읽고 있는 중입니다. 여기에 첨부할게요. 박쥐소리인식.pdf 그 논문을 보면 GMM-UBM을 사용했다고 합니다. GMM이 뭔지 한번 .. 인공지능관련/EM 2017.01.18
HMM 1. Mixture, PET, HMM 비교 오늘은 EM이 나오는 또 하나의 경우인 HMM에 대해서 설명하겠습니다. 이게 음성을 문자로 전환하고 또 전환된 결과를 다른 언어로 번역하거나 응답하는 경우에 자주 쓰이는 모형인 것 같습니다. 그러나 아직 좀 간단하면서도 구체적인 예를 보지 못해서 이건 나중에 .. 인공지능관련/EM 2016.12.28
혼합모형 EM simulation 1. 시뮬레이션이라는 말은 가끔 들어 봤죠. 그러나 실제로 어떻게 작업하는지 잘 감이 안 올겁니다. 제가 두 집단 혼합모형의 경우 EM 알고리즘이 잘 들어 맞는지 한번 시뮬레이션 해봤습니다. 세 가지를 했는데요. 첫 번째는 초기값을 모수 값에 대한 별 정보가 없는 상태에서 했습니다. .. 인공지능관련/EM 2016.12.14
PET, 뇌촬영, EM2 1. EM을 적용하려면 우선 Y와 U의 결합확률분포를 log 취한 log(f(y,u))를 구해야 합니다. 또 이것을 조건부 확률 변수인 U|Y에 대해 기댓값을 취해야 하기 때문에 조건부 확률 분포 f(u|y)를 구해야 합니다. 얼핏 보면 굉장히 복잡할 것 같지만 생각보다 간단합니다. 물론 약간 tricky 한 부분이 있.. 인공지능관련/EM 2016.12.12
PET, 뇌촬영 중요.pdf 1. 오늘은 PET, 즉 뇌촬영 기법에 대해서 설명해보죠. 다음은 Vardi, Shepp & Kaufmann의 원 논문에 있는 그림입니다. 원래 미국에서 복사한 논문은 잃어 버려서 인터넷에 검색하니까 이 논문이 나오제요. 이 논문이 PET에 EM알고리즘을 적용한 시초 논문입니다. 저자 이름을 까먹어서 구글.. 인공지능관련/EM 2016.12.11
혼합모형(Mixture Model) 1. 먼저 복잡한 수식을 하기 전에 현실에서 나올 수 있는 문제를 한번 생각해 보죠. 야구 선수가 딱 A, B, C 3명만 있다고 하죠. 각 선수가 게임에서 홈런을 칠 확률은 A는 0.2, B는 0.1, C는 0.05라 하죠. 그리고 홈런을 첬을 경우 비거리는 A는 N(110, 10), B는 N(120, 15), C는 N(140, 20)이라 하죠. 즉 A는 .. 인공지능관련/EM 2016.12.03
EM 공식 이해하기 1. 그럼 이번에는 EM의 공식을 이해하도록 해보죠. 실제 개념은 그렇게 어렵지 않습니다. 설명들이 좀 어렵게 나와서 그렇죠. 먼저 앞에서 이야기한 것처럼 세타‘이 나오는데 이건 잊기로 하고요. EM 반복 작업할 때 이전 세타값으로 집어 넣는 값입니다. EM의 공식은 기초 통계학의 간단한.. 인공지능관련/EM 2016.11.29
EM 이해하기4 0. 우리가 이 EM알고리즘을 자세히 설명하는 이유는 음성인식 때문입니다. 책을 보면 이 알고리즘을 사용한다고 되어 있습니다. 물론 약간의 변형이 있을 수 있겠지만 기본적으로 이 EM을 쓴다고 하니 이 EM 알고리즘을 정확하게 이해하는 것이 필요합니다. 1. 기호를 좀 바꾸겠습니다. 쓰기.. 인공지능관련/EM 2016.11.28