แบบจำลองความน่าจะเป็นแบบกราฟิกที่ 1: การเป็นตัวแทน

รายละเอียด

Probabilistic แบบกราฟิก (PGMs) เป็นกรอบการทำงานที่หลากหลายสำหรับการเข้ารหัสการแจกแจงความน่าจะเป็นในโดเมนที่ซับซ้อน: การแจกแจงร่วม (หลายตัวแปร) ในการสุ่มตัวแปรจำนวนมากที่มีปฏิสัมพันธ์ซึ่งกันและกัน การเป็นตัวแทนเหล่านี้อยู่ที่จุดตัดของสถิติและวิทยาศาสตร์คอมพิวเตอร์อาศัยแนวคิดจากทฤษฎีความน่าจะเป็น, อัลกอริทึมกราฟ, การเรียนรู้ของเครื่องและอื่น ๆ เป็นพื้นฐานสำหรับวิธีการอันทันสมัยในการใช้งานที่หลากหลายเช่นการวินิจฉัยทางการแพทย์การทำความเข้าใจภาพการรู้จำเสียงการประมวลผลภาษาธรรมชาติและอื่น ๆ อีกมากมาย พวกเขายังเป็นเครื่องมือพื้นฐานในการกำหนดปัญหาการเรียนรู้ของเครื่องจำนวนมาก

หลักสูตรนี้เป็นรายแรกในลำดับที่สาม มันอธิบายถึงการเป็นตัวแทน PGM พื้นฐานสองประการ: Bayesian Networks ซึ่งขึ้นอยู่กับกราฟกำกับ และเครือข่ายมาร์คอฟซึ่งใช้กราฟที่ไม่มีทิศทาง หลักสูตรนี้กล่าวถึงคุณสมบัติเชิงทฤษฎีของการเป็นตัวแทนเหล่านี้รวมถึงการใช้ในทางปฏิบัติ แทร็กเกียรตินิยม (แนะนำอย่างยิ่ง) มีการมอบหมายบนมือหลายอย่างเกี่ยวกับวิธีการแสดงปัญหาที่เกิดขึ้นจริง หลักสูตรนี้ยังนำเสนอส่วนขยายที่สำคัญบางอย่างนอกเหนือจากการเป็นตัวแทนของ PGM พื้นฐานซึ่งอนุญาตให้เข้ารหัสแบบจำลองที่ซับซ้อนมากขึ้นได้อย่างกะทัดรัด