@@user-ok9em3oo8i 오 정확합니다! 아직 공개는 안 됐지만 regularization 강의에서 해당 내용이 나옵니다. 한 달 뒤쯤에 한 번 보러 오세요 ㅎㅎ l1 regularization 도 같은 논리를 적용할 수 있겠죠?

옙 ㅎㅎ 맞습니다! 가중치의 차이라기보단 그 확률 자체가 클 수 있겠죠?

@@Ryan-cm7ju 그때는 클래스가 세 개인 것으로, cross entropy를 사용하셔야 합니다!

@@hyukppen 감사합니다!

16:21 에서 MAE가 마침 딱 나옵니다 ㅎㅎ

label이 laplacian distribution을 따른다고 생각할 때 MAE loss인 |y-y_hat|을 쓰는 것이 전체 관점에서는 MLE 를 쓴다는 것인가요?? 제가 잘 이해를 못한 것 같습니다! 답변 주셔서 감사합니다. 항상 잘 챙겨보고 있습니다.

@@user-zy3ih1yz6e 순서가 반대예요. label이 Laplacian distribution을 따른다고 가정하고 NLL을 구하면 그게 MAE loss 함수 수식이 되는 것입니다

@@hyukppen MAE loss를 사용해서 결국 p(y1|w)에서 w를 최대로 만드는 loss는 MAE 방식으로 구하고, p(y1|w)를 최대로 하는 (확률을 최대로 하는) 것이 MLE방식이라고 이해해도 될까요? 결국에 확률을 최대로 하는 w를 찾는데, 그 과정에서는 y1의 값만 고려하기 때문에 전체 맥락적으로는 MLE라고 말해도 될까요? 답변 감사합니다.

​@@user-zy3ih1yz6e 음 수정해야할 사항들이 몇가지 보입니다. 1. "w를 최대로 만드는 loss" 라는 말이 잘 이해가 안갑니다. loss를 최대한 줄이는 w를 찾는 것이 목표입니다. 2. "p(y1|w)를 최대로 하는 (확률을 최대로 하는) 것이 MLE방식이라고 이해해도 될까요?" 맞습니다. 다만 이 때는 첫 번째 데이터에 대해서만 잘하려고 하는 weight를 찾게 되겠죠? 그리고 likelihood 역시 확률이긴 하지만 '확률을 최대화' 한다기보단 likelihood를 최대화 하는 것이 MLE 라고 이해하시는 것이 좋습니다. 아직 조건부 확률보단 likelihood라는 단어가 익숙하지 않아서 그러실 수 있는데요, "likelihood를 최대로 하자"는 것을 많이 되뇌이다보면 금방 친숙해지실 겁니다 ㅎㅎ 3. "y1의 값만 고려하기 때문에 전체 맥락적으로는 MLE라고 말해도 될까요?" MLE는 likelihood를 최대화 하는 방식으로 파라미터를 찾는 추정기법을 가리킵니다. 첫 번째 데이터의 레이블인 y1의 값만 고려했기 때문에 MLE라고 말하는 것이 아닙니다. 19:38 부분 보시면 여러개 데이터에 대해서는 어떻게 전개될지도 보실 수 있습니다. 그리고 데이터가 여러개여도 당연히 MLE입니다.