베이즈 정리 (이론)

I. 경험적 데이터 기반의 확률갱신, 베이즈 정리의 개요

- 조건부 확률 - 전확률의 정리

베이즈 정리

“불확실성 상황 추론 활용”

구분	내용
개념	조건부 확률과 전확률의 정리를 기반으로 불확실성 추론에 활용되는 알고리즘
특징	두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 수학적으로 정의

---

II. 베이즈 정리의 개념도 및 핵심 구성요소

가. 베이즈 정리의 동작원리 및 수식구조

베이즈 정리 알고리즘

최종 추론 P(A|B) 반영 최종 도출 확률의 갱신 사후확률 → 새로운 사전확률 - 관측 데이터가 발생했을 때, 특정 가설이 참일 확률을 지속해서 갱신

나. 베이즈 정리의 핵심기술 및 구성요소

구분	요소기술 및 응용모델	설명
수학적 구성요소	사전확률 ($P(A)$)	관측 전, 가설이 참일 확률
	사후확률 ($P(A\Vert B)$)	관측 데이터 반영 후 갱신된 가설의 확률
	우도 ($P(B\Vert A)$)	가설 A가 참일 경우 관측 데이터 B가 발생할 확률
	증거 ($P(B)$)	관측 데이터 B 자체가 발생할 확률
AI/ML 응용모델	나이브베이즈 분류기	특징들 간의 조건부 독립을 가정한 분류 모델
	베이지안 네트워크	변수 간의 확률적 관계를 비순환 그래프로 표현
	베이지안 최적화	목적 함수의 형태를 확률적으로 추정하여 하이퍼 파라미터 튜닝
	베이지안 신경망	가중치를 확률 분포로 다루어 예측 불확실성을 정량화

III. 베이즈 정리의 최신 기술동향 및 향후전망

• 지속적 모델 개선: AutoML 튜닝 고도화
• 신뢰성 확보: AI 모델의 환각(Hallucination) 방지 및 불확실성 제어
• 기술 융합: 기존 딥러닝 패러다임과 통계적 패러다임의 융합 확산