반응형

분수 계산기






.

반응형
반응형


베이 즈 규칙

 진정한 베이지안은 실제로 조건부 확률 을 합동 확률 보다 기본이라고 생각 합니다. 관절 확률 P (A, B)를 참조하지 않고 P (A | B)를 정의하는 것은 쉽습니다. 이 노트를 보려면 조건부 확률 공식 을 재 배열 하여 다음을 얻을 수 있습니다.

P (A | B) P (B) = P (A, B)

그러나 대칭에 의해 우리는 또한 얻을 수 있습니다 :

P (B | A) P (A) = P (A, B)

그것은 다음과 같습니다 :

이미지 \ BBNs0050.gif

이것은 베이 즈 규칙 ( Bayes Rule) 이라고 불리는 것 입니다.

새로운 증거 B에 비추어 가설 A 에 대한 우리의 믿음을 갱신하는 관점에서 베이 즈 규칙을 생각하는 것이 일반적 이다. 특히, 우리의 후방 믿음 P ( A | B는 ) 우리 곱하여 이전 의 믿음 P (  의해) 가능도 P ( | A B 해당) B 경우 발생할 A는 사실이다.

 베이 즈 규칙의 힘은 P (A | B)를 계산하려는 많은 상황에서 직접 그렇게하기가 어렵다는 것을 알았지 만 P (B | A)에 대한 직접적인 정보를 가지고있을 수도 있습니다. 베이 즈 규칙은 P ( B | A )의 관점에서 P ( A | B ) 를 계산할 수있게 합니다.

예를 들어, 흉부 클리닉을 방문하는 환자의 암 진단에 관심이 있다고 가정합니다.

하자 A는 "사람은 암이있다"이벤트를 나타냅니다

하자 B는 이벤트를 대표하는 "사람는 흡연"

우리는 이전의 데이터 (임상에 진입 한 환자의 10 %가 암을 가지고 있음이 판명 됨)를 기준으로 이전 사건 P ( A ) = 0.1 의 확률을 알고 있습니다. 우리는 사건 P ( A | B ) 의 확률을 계산하려고합니다 이것을 직접 찾아내는 것은 어렵습니다. 그러나 우리는 담배를 피우는 환자의 비율을 고려하여 P ( B )를 알 수 있습니다. P ( B ) = 0.5 라고 가정 하십시오. 우리는 또한 P ( B | A )를 우리의 기록에서 진단받은 사람들 중 흡연자의 비율을 조사함으로써 알 수 있습니다. P ( B | A ) = 0.8 이라고 가정하자 .

이제 Bayes의 규칙을 사용하여 다음을 계산할 수 있습니다.

 P ( A | B ) = (0.8 '0.1) /0.5=0.16

따라서, 사람이 흡연자라는 증거 에 비추어 우리는 사전 확률을 0.1에서 사후 확률 0.16으로 수정합니다. 이것은 의미있는 증가이지만 암에 걸릴 확률은 여전히 ​​낮습니다.

분모 P ( B 식에서)는, 예를 들면, 계산 될 수있는 정규화 상수이다 소외 있다

이미지 \ BBNs0051_wmf.gif

그러므로 베이 즈 규칙을 다른 방식으로 표현할 수 있습니다.

이미지 \ BBNs0052_wmf.gif

베이 즈 정리 의 예를 보라.





베이 즈 규칙 예제

 우리는 각각 검은 색과 흰 색 공이 들어있는 두 개의 봉지가 있다고 가정합니다. 1 개의 부대는 까만의 3 배 많은 백색 공을 포함한다. 다른 가방에는 흰색처럼 검은 색 공이 세 배나 많이 들어 있습니다. 우리가이 봉지 중 하나를 무작위로 선택한다고 가정 해보십시오. 이 가방에서는 무작위로 5 개의 볼을 선택하여 각 볼을 선택한 후에 교체합니다. 결과는 우리가 흰 공 4 개와 검은 색 공 1 개를 찾는다는 것입니다. 주로 하얀 공이 든 가방을 사용할 확률은 얼마입니까?

 해결책. A를 무작위 변수 "가방 선택"이라고하면 A = {a1, a2}이고, 여기서 a1은 "대부분 하얀 공이있는 봉"을 나타내고 a2는 "대부분 검은 색 공이있는 봉지"를 나타냅니다. 우리는 가방을 무작위로 선택하기 때문에 P (a1) = P (a2) = 1 / 2라는 것을 알고 있습니다.

B가 "4 개의 흰색 볼과 5 개의 선택에서 선택된 하나의 검은 공"이벤트라고합시다.

그런 다음 P (a1 | B)를 계산해야합니다. 에서 베이 즈 규칙 이 있습니다 :

 이미지 \ BBNs0053_wmf.gif

 이제 대부분 흰색 공이있는 가방의 경우 공이 흰색 인 확률은 3/4이고 공이 검은 색이 될 확률은 1/4입니다. 따라서 우리는 이항 정리 (Binomial Theorem)를 사용하여 P (B | a1)를 다음과 같이 계산할 수 있습니다.

이미지 \ BBNs0054_wmf.gif

비슷하게

이미지 \ BBNs0055_wmf.gif

금후

이미지 \ BBNs0056_wmf.gif








.

반응형
반응형

Awesome-Korean-NLP


Github https://github.com/datanada/Awesome-Korean-NLP


참고 : http://konlpy.org/en/v0.4.4/



A curated list of Natural Language Processing (NLP) of

  • NLP of Korean Text
  • NLP information written in Korean.

Feel free to contribute! or blab it here

Maintainer: Jaemin Cho

Index

  1. Tools
  2. Dataset
  3. Blogs / Slides / Researchers
  4. Papers
  5. Lectures
  6. Journals / Conferences / Institutes / Events
  7. Online Communities
  8. How to contribute

1. Tools

(Korean-specific tools are listed ahead of language-agnostic tools.)

1.1. Morpheme/형태소 분석기 + Part of Speech(PoS)/품사 Tagger

  • Hannanum (한나눔) (Java, C) [link]
    • KoNLPy (Python) [link]
  • Kkma (꼬꼬마) (Java) [link] [paper]
    • KoNLPy (Python) [link]
  • Komoran (Java) [link]
    • KoNLPy (Python) [link]
  • Mecab-ko (C++) [link]
    • KoNLPy (Python) [link]
  • Twitter (Scala, Java) [link]
    • KoNLPy (Python) [link]
    • .NET, Node.js, Python, Ruby, Elasitc Search bindings
  • dparser (REST API) [link]
  • UTagger [link]
  • Arirang (Lucence, Java) [link]
  • Rouzeta [link] [slide] [video]
  • seunjeon (Scala, Java) [link]
  • RHINO (라이노) [link]
  • KTS [paper]
  • 깜짝새 [link]

1.2. Named Entity(NE) Tagger / 개체명 인식기

1.3. Spell Checker / 맞춤법 검사기

  • PNU Spell Checker [link]
  • Naver Spell Checker [link]
  • Daum Spell Checker [link]
  • hunspell-ko [link]

1.4. Syntax Parser / 구문 분석기

  • dparser (REST API) [link]
  • NLP HUB (Java) [link]

1.5. Sentimental Analysis / 감정 분석기

1.6. Translator / 번역기

1.7. Packages

1.8. Others / 기타

  • Hangulpy (Python) [link]
    • 자동 조사/접미사 첨부, 자모 분해 및 결합
  • Hangulize (Python) [link]
    • 외래어 한글 변환
  • Hanja (Python) [link]
    • 한자 한글 변환
  • kroman [link]
  • hangul (Perl) [link]
    • Hangul Romanization
  • textrankr (Python) [link] [demo]
    • TextRank 기반 한국어 문서 요약
  • 한국어 Word2Vec [demo] [paper]
    • 한국어 Word2Vec의 analogy test 데모
  • 나쁜 단어 사전 [link]
    • crowdsourced dic about badword in korean

2. Dataset

  • Sejong Corpus [link]
  • KAIST Corpus [link]
  • Yonsei Univ. Corpus
  • Korea Univ. Corpus
  • Ulsan Univ. Corpus [link]
  • Wikipedia Dump [link] [Extractor]
  • NamuWiki Dump [link] [Extractor]
  • Naver News Archive [link]
  • Chosun Archive [link]
  • Naver sentiment movie corpus [link]
  • sci-news-sum-kr-50 [link]

3. Blogs / Slides / Researchers

3.1. Blogs

  • dsindex's blog [link]
  • 엑사젠, "혼자 힘으로 한국어 챗봇 개발하기" [link]
  • Beomsu Kim, "word2vec 관련 이론 정리" [link]
  • CPUU, "Google 자연어 처리 오픈소스 SyntaxNet 공개" (Korean tranlsation of Google blog) [link]
  • theeluwin, "python-crfsuite를 사용해서 한국어 자동 띄어쓰기를 학습해보자" [link]
  • Jaesoo Lim, "한국어 형태소 분석기 동향" [link]

3.2. Slides

  • Lucy Park, "한국어와 NLTK, Gensim의 만남" (PyCon APAC 2015) [link]
  • Jeongkyu Shin, "Building AI Chat bot using Python 3 & TensorFlow" (PyCon APAC 2016) [link]
  • Changki Lee, "RNN & NLP Application" (Kangwon Univ. Machine Learning course) [link]
  • Kyunghoon Kim, "뉴스를 재미있게 만드는 방법; 뉴스잼" (PyCon APAC 2016) [link]
  • Hongjoo Lee, "Python 으로 19대 국회 뽀개기" (PyCon APAC 2016) [link]
  • Kyumin Choi,"word2vec이 추천시스템을 만났을 때" (PyCon APAC 2015) [link]
  • 進藤裕之 (translated by Hongbae Kim), "딥러닝을 이용한 자연어처리의 연구동향" [link]
  • Hongbae Kim, "머신러닝의 자연어 처리기술(I)" [link]
  • Changki Lee, "자연어처리를 위한 기계학습 소개" [link]
  • Taeil Kim, Daeneung Son, "기계 번역 모델 기반 질의 교정 시스템" (Naver DEVIEW 2015) [link]

4. Papers

4.1. Korean

  • 김동준, 이연수, 장정선, 임해창, 고려대학교, (주)엔씨소프트, "한국어 대화 화행 분류를 위한 어휘 자질의 임베딩(2015년 동계학술발표회 논문집)" [paper] link dead

4.2. English

5. Lectures

5.1. Korean Lectures

  • Kangwon Univ. 자연언어처리 [link]
  • 데이터 사이언스 스쿨 [link]
  • SNU Data Mining / Business Analytics [link]

5.2. English Lectures

  • Stanford CS224n: Natural Language Processing [link] [YouTube]
  • Stanford CS224d: Deep Learning for Natural Language Processing [link] [YouTube]
  • NLTK with Python 3 for NLP (by Sentdex) [YouTube]
  • LDA Topic Models [link]

6. Conferences / Institutes / Events

6.1. Conferences

  • 한글 및 한국어 정보처리 학술대회 [link]
  • KIPS (한국정보처리학회) [link]
  • 한국음성학회 학술대회 [link]

6.2. Institutes

  • 언어공학연구회 [link]
    • 한글 및 한국어 정보처리 학술대회 (Since 1989, 매년 개최) [link]
    • 국어 정보 처리 시스템 경진대회 (Since 2010, 매년 개최, 주최: 문화체육관광부 및 국립국어원) [link]
    • 자연언어처리 튜토리얼 (비정기적) [link]
    • 자연어처리 및 정보검색 워크샵 [link]
  • 한국음성학회 [link]

6.3. Events / Contests

  • 국어 정보 처리 시스템 경진 대회 [link]

7. Online Communities

  • Tensorflow KR (Facebook Group) [link]
  • AI Korea (Facebook Group) [link]
  • Bot Group (Facebook Group) [link]
  • 바벨피쉬 (Facebook Group) [link]
  • Reddit Machine Learning Top posts [link]

8. How to contribute

  1. Fork this Repository, by clicking on "fork" icon at the top right corner.

  2. Get the link for the forked repo, by clicking on the green button on your page. something like, "https://github.com/[username]/Awesome-Korean-NLP.git"

  3. On your local machine, "git clone https://github.com/[username]/Awesome-Korean-NLP.git"

  4. "cd Awesome-Korean-NLP"

  5. open "README.md" with your favorite text editor.

  6. Edit.

  7. git commit -a -m "added section 8: emoticons"

  8. git push, and verify on your fork

  9. goto https://github.com/datanada/Awesome-Korean-NLP and create pull request.

  10. "compare across forks" with base: datanada/Awesome.. and head: [username]/Awesome..

[beginners guide]





.........

반응형
반응형

[MAC] 맥북에서 ssh 원격접속 하기- like Putty


윈도우에서는 Putty로 잘 접속했는데, 맥에선 해본적이 없어서. 


기본적으로 터미널이 있다. 

터미널에서 ssh 입력하고 엔터. 하니 설명이 나온다. 


>ssh root@~~ ip~~ -p 포트번호 


이렇게 입력하면 바로 접속. 비밀번호 입력하면 끝. 

이렇게 간단한 것을. 

반응형
반응형

[MAC] 맥북에서 윈도우서버 원격접속 하기 앱. 


Open the Mac App Store to buy and download apps.


https://itunes.apple.com/us/app/microsoft-remote-desktop/id715768417?mt=12






반응형
반응형

챗봇 시작해보기   https://www.slideshare.net/ssusercf5d12/ss-69518853


Python 으로 Slackbot 개발하기   https://www.slideshare.net/ssusercf5d12/python-slackbot


20170227 파이썬으로 챗봇_만들기     https://www.slideshare.net/KimSungdong1/20170227-72644192


머신러닝의 자연어 처리기술(I)    https://www.slideshare.net/ssuser06e0c5/i-64267027


인공지능, 기계학습 그리고 딥러닝  https://www.slideshare.net/JinwonLee9/ss-70446412  


[F2]자연어처리를 위한 기계학습 소개   https://www.slideshare.net/deview/f2-14341235





.

반응형
반응형

챗봇 개발을 위한 네이버 랩스 api



챗봇 개발을 위한 네이버 랩스 api

1. NAVER LABS 김정희 (jeonghee.kim@navercorp.com) 챗봇 개발을 위한 네이버 랩스 API

2. 2

3. 3 Services Devices

4. 4 Services Devices Ambient Intelligence Service Platform

5. 5 Services Devices Natural Language Interface

6. 6 Why Natural Language Interface ?

7. 7

8. 8

9. 9 제한된 interface 환경 Complex UX

10. 10 인간에게 가장 자연스러운 interface “Speech, Dialogue”

11. 11

12. 12

13. 13 Service Platform 이 된 메신저

14. 14 메신저에서 가장 자연스러운 Service UX “Dialogue”

15. 15 Pizza Service in Messenger

16. 16

17. • Chatbot 으로 서비스 하려면 ? 17

18. • Chatbot 으로 서비스 하려면 ? • ”슈프림피자 4개 주세요” • 무엇을 해야 할까? 18

19. • Chatbot 으로 서비스 하려면 ? • ”슈프림피자 4개 주세요” • 메뉴 : 슈프림피자 • 수량 : 4개 • 의도 : 주문 19

20. • Chatbot 으로 서비스 하려면 ? • ”슈프림피자 4개 주세요” • 메뉴 : 슈프림피자 • 수량 : 4개 • 의도 : 주문 • Natural Language Understanding 20

21. • Chatbot 으로 서비스 하려면 ? • ”슈프림피자 4개 주세요” • 메뉴 : 슈프림피자 • 수량 : 4개 • 의도 : 주문 • Natural Language Understanding • Who? 21

22. • Chatbot 으로 서비스 하려면 ? • ”슈프림피자 4개 주세요” • 메뉴 : 슈프림피자 • 수량 : 4개 • 의도 : 주문 • Natural Language Understanding • Who? • 서비스 개발자 • 어렵다. 귀찮다 22

23. Natural Language Understanding Natural Language 23

24. 24

25. 25 한국어

26. • 한국어 • 교착어 • 조사, 어미, 어간 • 형태소 분석 • 아버지가방에 들어가신다

27. 27

28. • 대화형 인터페이스를 만들 수 있는 엔진 및 개발 툴 • Named entity recognition 및 intent analysis 를 통한 자연어 처리 • Chat bot, app, service, device 등에 자연어 대화 인터페이스

29. • 한국어 자연어 처리 • 한국어 형태소 분석, 자연어 이해 • 한국어를 시작으로 global language 로 확장

30. Natural Language 30

31. • Built - in • Service - defined

32. • “슈프림피자 4개 주세요” • “치즈 3개로 바꿔주세요” • “4개”, “3개” • 수량 정보 • 자주 사용 예상되는 정보 • 수량, 주소, 인명 등 • 알아서 분석 해 줬으면… 32

33. • Built-in entity • 대화 서비스에서 많이 사용될 것으로 예상되는 entity • 장소, 인명, 시간 등 25개 제공 • Built-in intent • 대화 서비스에서 많이 사용될 것으로 예상되는 intent • Yes, no, cancel 등 7개 제공

34. • “슈프림 피자”, “치즈” • Service 에 따라 unique 한 정보 • 서비스 개발자가 직접 • Entity name • Entity list • 피자 메뉴 • 슈프림 : 수프림 • 페퍼로니 : 페페로니 • 치즈 : 치이즈 34

35. • Service-defined entity • 특정 서비스에서 필요하다고 생각되는 unique 한 entity 를 서비스 개발 자가 설정할 수 있는 tool • Ex) 커피 종류, 피자 종류 등 • Service-defined intent • 특정 서비스에서 필요하다고 생각되는 unique 한 intent 를 서비스 개발 자가 설정할 수 있는 tool • Ex) 피자 주문, 날씨 확인 등

36. User Messenger Service AMICA.ai Text NLU Result Service Response

37. • Dialogue management (DM) 은 제공하지 않는다. • Service response 를 결정할 때 dialogue history 사용은 service logic 에서 • DM 및 서비스 시나리오는 서비스 개발자가 직접 • 향후 개발 방향 • DM 까지 편하게 설계할 수 있도록

38. 38 if (!사이즈) printf( ”어떤 사이즈를 원하시나요”);

39. 39

40. 40 Q&A

반응형
반응형

네이버 클라우드 플랫폼 무료체험 이벤트 신청. 


https://www.ncloud.com/main/intro



무료 체험 대상 확대 및 기간 연장 안내


안녕하세요.

네이버 클라우드 플랫폼입니다.

 

네이버 클라우드 플랫폼에 보내주신 열띤 성원에 힘입어, 
최초 계획한 1,000명의 무료 체험 신청이 조기 마감 되었습니다.


더 많은 분들이 네이버 클라우드 플랫폼을 체험해 보실 수 있도록 
신청 인원을 2,000명으로 늘리고, 체험 기간도 8월 31일까지로 연장했습니다.


체험 기간 이후에도 계속해서 네이버 클라우드 플랫폼 사용을 원하시는 분들께는,

체험 기간 종료 후 부터 즉시 사용할 수 있는 50만원 이용권(Credit)을 지급해드릴 예정이오니 많은 관심과 참여 바랍니다.(Credit 지급 시점: 8월 31일 / 유효기간: 12개월 )


- 무료 체험 신청 기간 : 2017년 6월 30일까지
- 무료 체험 사용 기간 : 신청일로부터 2017년 8월 31일까지


[무료 체험 신청 바로가기]


※ 5월 16일 이전에 무료 체험을 신청하신 분들도 8월 31일까지 동일한 혜택을 누리실 수 있습니다.
※ 50만원 이용권(Credit)은 8월 31일 이전 유료 사용 전환 절차에 동의 하신 분께 한하여 8월 31일 일괄 지급 됩니다.



반응형

+ Recent posts