แบบจำลองความน่าจะเป็นแบบกราฟิก 3: การเรียนรู้

รายละเอียด

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

หลักสูตรนี้เป็นครั้งที่สามในลำดับที่สาม ตามหลักสูตรแรกซึ่งมุ่งเน้นไปที่การเป็นตัวแทนและที่สองซึ่งมุ่งเน้นไปที่การอนุมานหลักสูตรนี้เน้นคำถามของการเรียนรู้: วิธีที่ PGM สามารถเรียนรู้ได้จากชุดข้อมูลตัวอย่าง หลักสูตรนี้จะกล่าวถึงปัญหาที่สำคัญของการประมาณค่าพารามิเตอร์ในแบบจำลองทั้งแบบชี้นำและไม่ชี้ทิศทางรวมถึงงานการเรียนรู้โครงสร้างสำหรับโมเดลชี้นำ แทร็กเกียรตินิยม (แนะนำเป็นอย่างยิ่ง) มีการมอบหมายการเขียนโปรแกรมแบบลงมือปฏิบัติสองครั้งซึ่งมีการใช้งานรูทีนหลักของอัลกอริทึมการเรียนรู้ที่ใช้กันทั่วไปสองแบบและนำไปใช้กับปัญหาในโลกแห่งความจริง