Files
2nd/10_Wiki/Topics/Other/Bayes-Theorem.md
T

3.3 KiB

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
id title category status canonical_id aliases duplicate_of source_trust_level confidence_score tags raw_sources last_reinforced github_commit inferred_by
wiki-2026-0508-bayes-theorem Bayes Theorem 10_Wiki/Topics needs_review self
P-Reinforce-AUTO-BATH-001
none A 1.0
auto-reinforced
bayes-theorem
probability
Statistics
rational-decision-making
Logic
2026-04-20 pending Claude Opus 4.7 (auto-normalize 2026-05-08)

Bayes-Theorem

📌 한 줄 통찰 (The Karpathy Summary)

"데이터를 통한 믿음의 업데이트: 새로운 증거가 나타났을 때, 기존의 지식(사전 확률)을 바탕으로 결론(사후 확률)을 어떻게 수정해야 하는지를 수학적으로 명시한 합리적 추론의 공식."

📖 구조화된 지식 (Synthesized Content)

베이즈 정리(Bayes-Theorem)는 조건부 확률을 계산하는 정리로, 데이터 기반의 추론과 학급에서 가장 중요한 가동 원리 중 하나입니다.

  1. 공식의 구성:
    • Prior (사전 확률): 새로운 데이터를 보기 전의 믿음.
    • Likelihood (우도): 가설이 참일 때, 현재 데이터가 나타날 확률.
    • Posterior (사후 확률): 데이터를 확인한 후 업데이트된 지식/믿음.
  2. 왜 중요한가?:
    • 불확실성이 높은 상황에서도 고정관념에 빠지지 않고 새로운 정보에 따라 유연하게 판단을 수정하게 해줌 (Rationality와의 연결).
    • 머신러닝의 베이지안 분류기, 스팸 필터링, 그리고 뇌의 인지 과정 모델링에 핵심적으로 쓰임.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

  • 과거 데이터와의 충돌: 과거의 빈도주의(Frequentist) 통계 정책은 '고정된 확률'에 집착했으나, 현대의 베이지안 정책은 확률을 '개인의 믿음의 정도'로 보고 끊임없이 업데이트하는 유연한 정책으로 승리함(RL Update).
  • 정책 변화(RL Update): AI 모델의 불확실성 관리 정책에서, 모델이 내린 답의 '확신 수준(Confidence)'을 계산하기 위해 베이지안 신경망 기술을 적용하는 것이 안전(Safety) 핵심 가이드라인이 됨.

🔗 지식 연결 (Graph)


🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

  • (TODO)

언제 쓰면 안 되는가:

  • (TODO)

🧪 검증 상태 (Validation)

  • 정보 상태: needs_review
  • 출처 신뢰도: A
  • 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

  • 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
  • 처리 방식: UPDATE (자동 정규화)
  • 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜 변경 내용 처리 방식 신뢰도
2026-05-08 P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) UPDATE A