مدل‌های گرافیکی احتمالاتی - بخش 3: یادگیری

توضیحات دوره

مدل‌های گرافیکی احتمالاتی (PGMها) چارچوبی غنی برای نمایش توزیع‌های احتمالی در حوزه‌های پیچیده هستند؛ یعنی توزیع‌های مشترک (چندمتغیره) بر روی تعداد زیادی متغیر تصادفی که با یکدیگر تعامل دارند. این نمایش‌ها در نقطه تلاقی آمار و علوم کامپیوتر قرار می‌گیرند و بر مفاهیمی از نظریه احتمال، الگوریتم‌های گراف، یادگیری ماشین و موارد دیگر تکیه دارند. این مدل‌ها زیربنای روش‌های پیشرفته در طیف وسیعی از کاربردها مانند تشخیص پزشکی، درک تصویر، تشخیص گفتار، پردازش زبان طبیعی و بسیاری کاربردهای دیگر هستند. همچنین ابزاری اساسی برای صورت‌بندی بسیاری از مسائل یادگیری ماشین به شمار می‌روند.

این دوره سومین دوره از یک مجموعه سه‌گانه است. پس از دوره اول که بر نمایش تمرکز داشت و دوره دوم که بر استنتاج متمرکز بود، این دوره به مسئله یادگیری می‌پردازد: این‌که چگونه می‌توان یک PGM را از یک مجموعه داده شامل نمونه‌ها یاد گرفت. در این دوره، مسائل کلیدی تخمین پارامتر در هر دو نوع مدل‌های جهت‌دار و بدون‌جهت بررسی می‌شوند، همچنین تسک یادگیری ساختار برای مدل‌های جهت‌دار مورد بحث قرار می‌گیرد. مسیر افتخاری (که به‌شدت توصیه می‌شود) شامل دو تمرین برنامه‌نویسی عملی است که در آن‌ها رویه‌های اصلی دو الگوریتم پرکاربرد یادگیری پیاده‌سازی شده و بر روی یک مسئله دنیای واقعی اعمال می‌شوند.