[G1-Sync] Manual knowledge update

10_Wiki/Topics/MAP-Estimation.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-MAPE-001
+id: [[P-Reinforce]]-AUTO-MAPE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.94
-tags: [auto-reinforced, map-estimation, statistics, bayesian, probability, machine-learning]
+tags: [auto-reinforced, map-estimation, [[Statistics]], bayesian, probability, machine-learning]
 last_reinforced: 2026-04-20
 ---
 
@@ -16,16 +16,16 @@ last_reinforced: 2026-04-20
 
 1.  **구성 요소**:
     *   **Likelihood**: 현재 데이터가 이 가설을 얼마나 지지하는가?
-    *   **Prior (사전 확률)**: 데이터를 보기 전, 우리의 기존 지식이나 믿음은 어떠한가? (Inductive-Reasoning와 연결)
+    *   **Prior (사전 확률)**: 데이터를 보기 전, 우리의 기존 지식이나 믿음은 어떠한가? ([[Inductive-Reasoning]]와 연결)
     *   **Posterior (사후 확률)**: 데이터와 사전 지식을 결합한 최종 확률. (MAP는 이 값이 최대인 곳을 찾음)
 2.  **왜 중요한가?**:
     *   데이터가 부족할 때 발생할 수 있는 오류를 '사전 지식'으로 보정하여 더 안정적인 예측을 가능케 함.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 데이터만 보는 'MLE(최대 우도 추정) 정책'과 대립했으나, 현대 정책은 사전 지식을 정규화(L2-Regularization 등) 정책으로 치환하여 두 방식을 자연스럽게 통합함(RL Update). (L2-Regularization와 연결)
+- **과거 데이터와의 충돌**: 과거에는 데이터만 보는 'MLE(최대 우도 추정) 정책'과 대립했으나, 현대 정책은 사전 지식을 정규화([[L2-Regularization]] 등) 정책으로 치환하여 두 방식을 자연스럽게 통합함(RL Update). (L2-[[Regularization]]와 연결)
 - **정책 변화(RL Update)**: 딥러닝 가중치 학습 정책에서 사전 지식(예: 가중치는 0 근처여야 한다)을 부여하는 행위 자체가 수학적으로 MAP 추정 정책과 동일하며, 이는 모델의 일반화 정책을 결정짓는 핵심 기법이 됨.
 
 ## 🔗 지식 연결 (Graph)
 - [[Inductive-Reasoning]], [[L2-Regularization]], [[Inferential-Statistics]], [[Machine Learning (ML)]], [[Logic]]
-- **Modern Tech/Tools**: Bayesian inference, Gaussian priors, L2 penalty.
+- **Modern Tech/Tools**: [[Bayesian Inference]], Gaussian priors, L2 penalty.
 ---