مدل‌های گرافیکی احتمالی - بخش 1: نمایش

توضیحات دوره

مدل‌های گرافیکی احتمالی (PGM) یک چارچوب غنی برای رمزگذاری توزیع‌های احتمال بر روی دامنه‌های پیچیده هستند: توزیع‌های مشترک (چند متغیره) بر روی تعداد زیادی متغیر تصادفی که با یکدیگر تعامل دارند. 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. این مدل‌ها مبنای روش‌های پیشرفته در طیف گسترده‌ای از کاربردها، مانند تشخیص پزشکی، درک تصویر، بازشناسی گفتار، پردازش زبان طبیعی و بسیاری موارد دیگر هستند. آن‌ها همچنین یک ابزار اساسی در فرمول‌بندی بسیاری از مسائل یادگیری ماشین محسوب می‌شوند.

این دوره، اولین دوره از دنباله‌ای متشکل از سه دوره است. این دوره دو نمایش اساسی PGM را توصیف می‌کند: شبکه‌های بیزی، که به یک گراف جهت‌دار متکی هستند؛ و شبکه‌های مارکوف، که از یک گراف بدون جهت استفاده می‌کنند. این دوره هم ویژگی‌های نظری این نمایش‌ها و هم کاربرد آن‌ها در عمل را مورد بحث قرار می‌دهد. مسیر افتخاری (که قویاً توصیه می‌شود) شامل چندین تکلیف عملی در مورد چگونگی نمایش برخی مسائل دنیای واقعی است. این دوره همچنین برخی بسط‌های مهم فراتر از نمایش اساسی PGM را ارائه می‌دهد که امکان رمزگذاری مدل‌های پیچیده‌تر را به صورت فشرده فراهم می‌سازد.