• 섹션 (2.4)에서 Machine learning에 어떤 식으로 Bayesian approach를 할 수 있는 지 알아보았다.
  1. (conditional) probability model을 설정하고 \( p(\mathbf{y}|\mathbf{x}, \mathbf{\theta}) \) = \( p(\mathbf{y}|f(\mathbf{x}; \mathbf{\theta})) \), prior \( p(\mathbf{\theta}) \)를 설정한다.
  2. Unknown parameter에 대한 posterior \( p(\mathbf{\theta}|\mathcal{D}) \)를 계산한다.
  3. Posterior를 이용해 posterior predictive를 계산한다. \( p(\mathbf{y}|\mathbf{x}, \mathcal{D}) \)
• 이 과정에서도 우리가 정할 수 있는 부분들이 많다.
  • 예를들어 input-output mapping의 종류에 따라 매핑하는 함수 \( f \)를 다르게 설정할 수 있다.
  • 하지만 그에 대한 내용은 뒤로 미루고, 본 챕터에서는 \( p(\mathbf{y}|\mathbf{\theta}) \) 자체에 집중하도록 하겠다.