مدل‌های گرافیکی احتمالی - بخش 2: استنتاج

توضیحات دوره

مدل‌های گرافیکی احتمالی (PGMs) چارچوبی غنی برای رمزگذاری توزیع‌های احتمالی بر روی دامنه‌های پیچیده هستند: توزیع‌های مشترک (چند متغیره) بر روی تعداد زیادی متغیر تصادفی که با یکدیگر در تعامل هستند. این نمایش‌ها در تقاطع آمار و علوم کامپیوتر قرار دارند و به مفاهیمی از نظریه احتمال، الگوریتم‌های گراف، یادگیری ماشین و موارد دیگر متکی هستند. آن‌ها اساس روش‌های پیشرفته در طیف گسترده‌ای از کاربردها، مانند تشخیص پزشکی، درک تصویر، تشخیص گفتار، پردازش زبان طبیعی و بسیاری موارد دیگر هستند. آن‌ها همچنین ابزاری اساسی در فرمول‌بندی بسیاری از مسائل یادگیری ماشین محسوب می‌شوند.

این دوره، دومین دوره از یک توالی سه قسمتی است. پس از دوره اول که بر نمایش تمرکز داشت، این دوره به پرسش استنتاج احتمالی می‌پردازد: چگونه می‌توان از یک PGM برای پاسخ به سؤالات استفاده کرد. اگرچه یک PGM معمولاً یک توزیع با ابعاد بسیار بالا را توصیف می‌کند، ساختار آن به گونه‌ای طراحی شده است که امکان پاسخگویی کارآمد به سؤالات را فراهم آورد. این دوره الگوریتم‌های دقیق و تقریبی را برای انواع مختلف تسک های استنتاجی ارائه می‌دهد و بحث می‌کند که هر کدام در کجا می‌توانند بهترین کاربرد را داشته باشند. مسیر افتخاری (که به شدت توصیه می‌شود) شامل دو تکلیف برنامه‌نویسی عملی است که در آن روال‌های کلیدی رایج‌ترین الگوریتم‌های دقیق و تقریبی پیاده‌سازی شده و بر روی یک مسئله دنیای واقعی اعمال می‌شوند.