Unit 5 12 Maximum Likelihood knowitvideos Portuguese Turkish

Unit 5 12 Maximum LikelihoodYouTube↗ IA↗(long shot)
Howto & Style 33.3K views 61 likes 19 dislikes 17 Oct 2011

knowitvideos 11.8K subscribers N/A YouTube↗

Click to Play Video

Vamos analisar o problema um pouco mais formalmente e falar sobre máxima verossimilhança.

Şimdi buna biraz daha biçimsel olarak bakarak en yüksek olabilirlik hakkında konuşalım.

Observamos claramente 8 mensagens: SPAM, SPAM, SPAM e 5 vezes HAM.

Görüldüğü gibi 8 mesaj gözlemliyoruz: spam, spam, spam, ve 5 kez ham

Queremos saber qual é a probabilidade a priori de SPAM

ve ilgilendiğimiz şey, bu veriyi alma olabilirliğini en yükseğe çeken

que maximiza a verossimilhança desses dados.

önsel spam olasılığımız nedir?

Vamos assumir que essa probabilidade tem um valor Pi,

Buna π değeri atayacağımızı varsayalım,

e queremos descobrir o Pi que maximiza a verossimilhança desses dados aqui,

ve buradaki verinin olabilirliğini en yükseğe çeken π değerini bulmak istiyoruz.

sabendo que cada email é analisado independentemente,

Her e-mailin bağımsız olarak çekildiğini,

a partir de uma distribuição idêntica.

ve eşit dağılım olduğunu varsayıyoruz.

A probabilidade que p(yi) de cada item é Pi se yi = SPAM,

i'nci veri biriminin olasılığı yi = spam ise π oluyor,

e 1 - Pi se yi = HAM.

yi = ham ise de 1-π oluyor.

Se reescrevermos os dados como 1, 1, 1, 0, 0, 0, 0, 0,

Bu veriyi 1, 1, 1, 0, 0, 0, 0, 0 biçiminden baştan yazarsak,

podemos escrever p(yi) como se segue: Pi elevado a yi, vezes (1 - Pi) elevado a (1 - yi).

p(yi)'yi şu biçimde yazabiliriz: π ^ yi * (1-π) ^ (1-yi).

Não é tão simples ver que é equivalente,

Bunun denkliğini görmek o kadar kolay olmayabilir,

mas digamos que yi = 1.

ama yi = 1 derseniz,

Então esse termo irá desaparecer.

bu terim gidecektir.

Ele é multiplicado por 1 porque o expoente dá zero, o que resulta nesse Pi aqui.

Üs sıfır olduğu için bu terim 1 ile çarpıma dönüşür, ve elimizde buradaki π terimi kalır.

Se yi = 0, então esse termo desaparece, e esse aqui se torna 1 - Pi, igual ao de cima.

Eğer yi = 0 olursa bu terim düşer, ve buradaki term de 1-π olur.

Assumindo que há independência, conclui-se para nossos dados

Bağımsızlık varsayımı altında, buradaki tüm veri birimlerinin

que a probabilidade conjunta de todos os ítens é o produto

birleşik olasılığının, tüm veri birimlerinin tekil olasılıklarının

das probabilidades de cada item individual.

çarpımına eşit olduğunu anlıyoruz,

Isso pode ser escrito da seguinte forma:

ve bunu şöyle yazabiliriz:

Pi elevado ao número de vezes em que yi = 1, vezes

yi=1 iken π üzeri görülme sayısı, çarpı

(1 - Pi) elevado ao número de vezes em que yi = 0.

yi=0 iken (1-π) üzeri görülme sayısı.

De acordo com nosso exemplo, esse número aqui dá 3,

Ve örneğimizde bu görülme sayısının 3 olduğunu,

e esse aqui é 5, então obtemos Pi elevado ao cubo vezes (1 - Pi) elevado à quinta.

bunun da 5 olduğunu bildiğimizden, buradan π^3 * (1-π)^5 elde ediyoruz.

Agora queremos encontrar o Pi que maximiza essa expressão aqui.

Bu terimin en büyük değerini almasını sağlayan π değerini bulmak istiyoruz.

Podemos também maximizar o logaritmo dessa expressão,

Bu terimin logaritmasının en büyük değerini de bulabiliriz,

que é 3 vezes log(Pi) + 5 vezes log(1 - Pi).

ki bu 3 * log(π) + 5 * log(1-π) olur.

Otimizar o log é a mesma coisa que otimizar p, porque log é monotônico em p.

Logaritmayı enbüyüklemek p'yi enbüyüklemekle aynıdır, çünkü logaritma p'ye göre monotondur.

O ponto máximo dessa função é obtido quando a derivada é 0,

Bu fonksiyonun en büyük değeri türevin 0 olduğu noktadadır,

então vamos calcular a derivada e igualar a 0.

bunun için şimdi türevini hesaplayalım ve 0'a eşitleyelim.

Aqui está ela, 3 sobre Pi, menos 5 sobre (1- Pi).

Türev bu şekilde çıkar: 3^π - 5^(1-π).

Movemos essa expressão para o lado direito,

Şimdi bu ifadeyi sağ tarafa atıyoruz,

multiplicamos os denominadores, e passamos tudo que tiver Pi para a esquerda.

paydalarla çarpıyoruz, ve içinde π geçen terimleri sola atıyoruz,

Isso nos dá Pi = 3/8, exatamente o número que tínhamos.

bu da bize π = 3/8 değerini, önceden bulduğumuz değeri, veriyor.

Derivamos matematicamente que o número que maximiza a verossimilhança dos dados

Veri olabilirliğinin değerini enbüyükleyen sayıya matematiksel olarak ulaştık.

para a probabilidade é de fato a contagem empírica,

Olasılık gerçekten de deneysel sayıma eşit,

o que significa que, analisando a questão anterior,

demek ki bu soruya önceden baktığımızda

quando dissemos que a verossimilhança máxima para a probabilidade a priori de SPAM é 3/8.

ve 8 e-mailin 3 tanesinin spam olduğunu sayıp,

simplesmente contando os 3/8 emails que eram SPAM,

spam'in önsel olasılığının en yüksek olabilirliği 3/8 dediğimizde,

na verdade seguimos princípios matemáticos

aslında en yüksek olabilirliği hesaplamak için

para estimar a máxima verossimilhança.

gerçek matematiksel kurallardan yararlanmışız.

Pode ser que você não tenha entendido a derivação disto,

Şimdilik bunun türetimini tam olarak anlamamış olabilirsiniz,

e eu recomendo que veja novamente, mas isso não é tão importante

ve bunu yeniden izlemenizi öneririm, ama bu dersin işleyişi için

para o progresso das aulas.

o kadar da önemli değil.

Lá vai outra pergunta.

Bir deneme sorusu daha:

Quero saber a máxima verossimilhança, ou solução MV,

Sıradaki olasılıklar için en yüksek olabilirlik (ML)

para as seguintes probabilidades.

çözümlerini bulun.

A probabilidade de aparecer a palavra "secret",

Mesajın spam olduğunu bildiğimizi varsayarsak,

dado que sabemos que uma mensagem é SPAM,

"secret" sözcüğünün gelmesinin olasılığı,

e a probabilidade para a mesma palavra "secret",

ve mesajın spam olmadığını, ham olduğunu bildiğimiz durumda,

dado que a mensagem são é SPAM, é HAM.

yine aynı "secret" sözcüğünün gelme olasılığı.

Similar videos:

Unit 11 09.mp4 Stationary Distribution.mp4

12.4K views 34 likes 2 dislikes 11 Nov 2011100% match

Unit 9 31 Value Iterations and Policy 2

11.2K views 15 likes 1 dislikes 01 Nov 2011100% match

Unit 2, Topic 29, State Spaces

16.9K views 4 likes 1 dislikes 05 Oct 2011100% match

CEOS Chatter
Fernando Garcia
1.3K views 2 likes 1 dislikes 14 Mar 2012100% match

Unit 3 6d Question

16.4K views 1 likes 0 dislikes 08 Oct 2011100% match

Unit 2, Topic 10, Graph Search Answer

12.5K views 12 likes 3 dislikes 05 Oct 2011100% match

Homework 1, Question 1, Peg Solitaire

12.6K views 9 likes 0 dislikes 08 Oct 2011100% match

Mr. Peabody & Sherman
TheCaptionedInternet
43.6K views 74 likes 9 dislikes 03 Mar 2014100% match

Instrucciones para llorar, de Julio Cortázar
Inés Andrés
5.9K views 10 likes 0 dislikes 10 Jan 2012100% match

Unit 2, Topic 31, Sliding Blocks Puzzle

21.1K views 15 likes 2 dislikes 05 Oct 2011100% match

Unit 2, Topic 26, A-Star Fourth Question

28.6K views 17 likes 7 dislikes 05 Oct 2011100% match

Recomendación kuentalibros - pizarra digital y niños con discapacidad auditiva
anitamc20
933 views 1 likes 0 dislikes 21 Dec 2012100% match

(ENG/CHI SUB) 140216 SM True Thailand Facebook EXO
Baby Xiumin
783 views 10 likes 0 dislikes 16 Feb 2014100% match

Unit 2, Topic 6, Graph Search

28.4K views 12 likes 0 dislikes 05 Oct 2011100% match

MTV Iggy 2ne1
AsLadies2ne1Mexico
16K views 387 likes 3 dislikes 18 Dec 2012100% match

0 views 0 likes 0 dislikes 05 Jun 2026100% match

Unit 4, 9 Gibbs Sampling

41K views 107 likes 26 dislikes 06 Oct 2011100% match

Unit 3 6b Answer

12.4K views 2 likes 0 dislikes 08 Oct 2011100% match

Unit 3 8b Answer

10.9K views 18 likes 10 dislikes 08 Oct 2011100% match

Unit 2, Topic 19, Search Optimality Answer

14.5K views 14 likes 4 dislikes 05 Oct 2011100% match

Unit 3 3 Dependence

17.3K views 9 likes 13 dislikes 08 Oct 2011100% match

Tiziano Terzani - revolution
Roberta Gagliardi
14.7K views 93 likes 0 dislikes 04 Jul 2012100% match

Winnie the Witch 5
Pilar Moure
28.7K views 59 likes 10 dislikes 31 May 2013100% match

TED & TEDx explained
Kyo young Chu
1.1K views 7 likes 0 dislikes 02 Apr 2012100% match

Gundarr (Ep 23): Meet Moody Sue (Subtitulado al castellano)
daniborr
21.8K views 98 likes 10 dislikes 22 Sep 2012100% match

Unit 9 04 MDP Grid World

12.5K views 28 likes 2 dislikes 01 Nov 2011100% match

0 views 0 likes 0 dislikes 05 Jun 2026100% match

Unit 4, 8 Likelihood Weighting

21.4K views 35 likes 29 dislikes 06 Oct 201167% match

Maximum likelihood
Audiopedia
1K views 0 likes 5 dislikes 08 Aug 201467% match

Unit 3 1 Introduction

36.6K views 95 likes 6 dislikes 08 Oct 201150% match

Settings Privacy About Contact Donate