النماذج الرسومية الاحتمالية إتقان طريقة جديدة لاستخلاص النتائج والتعلم في المجالات المعقدة.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
تعد النماذج الرسومية الاحتمالية (PGMs) إطارًا غنيًا لتشفير التوزيعات الاحتمالية عبر المجالات المعقدة: التوزيعات المشتركة (متعددة المتغيرات) على عدد كبير من المتغيرات العشوائية التي تتفاعل مع بعضها البعض. تقع هذه التمثيلات عند تقاطع الإحصاء وعلوم الكمبيوتر، وتعتمد على مفاهيم من نظرية الاحتمالات وخوارزميات الرسم البياني والتعلم الآلي والمزيد. إنها تشكل الأساس للطرق الأكثر تقدمًا في مجموعة واسعة من التطبيقات، مثل التشخيص الطبي، وفهم الصور، والتعرف على الكلام، ومعالجة اللغة الطبيعية، والمزيد والمزيد. كما أنها أداة أساسية في صياغة العديد من مشكلات التعلم الآلي.
هذه الدورة هي الأولى في سلسلة من ثلاث دورات. وهو يصف التمثيلين الأساسيين لـ PGM: الشبكات الافتراضية، التي تعتمد على رسم بياني مرتب؛ وشبكات ماركوف، التي تستخدم رسمًا بيانيًا غير مصنف. يبدو أن الدورة تتناول السمات النظرية لهذه التمثيلات وكيفية تنفيذها في الممارسة العملية. يتضمن المسار الممتد (الموصى به بشدة) العديد من المهام العملية حول كيفية تمثيل المشكلات من الواقع. ستقدم الدورة أيضًا بعض الامتدادات المهمة التي تتجاوز التمثيل الأساسي لـ PGM، والتي تسمح بترميز النماذج المعقدة بطريقة مدمجة.
تعد النماذج الرسومية الاحتمالية (PGMs) إطارًا غنيًا لتشفير التوزيعات الاحتمالية عبر المجالات المعقدة: التوزيعات المشتركة (متعددة المتغيرات) على عدد كبير من المتغيرات العشوائية التي تتفاعل مع بعضها البعض. تقع هذه التمثيلات عند تقاطع الإحصاء وعلوم الكمبيوتر، وتستند إلى مفاهيم من نظرية الاحتمالات وخوارزميات الرسم البياني والتعلم الآلي والمزيد. إنها تشكل الأساس للطرق الأكثر تقدمًا في مجموعة واسعة من التطبيقات، مثل التشخيص الطبي، وفهم الصور، والتعرف على الكلام، ومعالجة اللغة الطبيعية، والمزيد والمزيد.
هذه الدورة هي الثانية في سلسلة من ثلاث دورات. بعد الدورة الأولى التي ركزت على التمثيل، تتناول هذه الدورة مسألة الاستدلال الاحتمالي: كيف يمكن استخدام PGM للإجابة على الأسئلة. على الرغم من أن نماذج PGM تصف عادةً توزيعًا عالي الأبعاد، إلا أن بنيتها مصممة بحيث يمكن تنفيذ الاستعلامات بكفاءة. تقدم الدورة خوارزميات دقيقة وتقريبية لأنواع مختلفة من مهام الاستدلال، وتناقش أين يمكن تطبيق كل منها على أفضل وجه. يتضمن المسار الموسع (موصى به للغاية) مهمتين برمجيتين عمليتين، حيث يتم إدراك مطوري التعليمات البرمجية للخوارزميات الدقيقة والتقريبية الأكثر شيوعًا وتطبيقها على المشكلات الحقيقية.
تعد النماذج الرسومية الاحتمالية (PGMs) إطارًا غنيًا لتشفير التوزيعات الاحتمالية عبر المجالات المعقدة: التوزيعات المشتركة (متعددة المتغيرات) على عدد كبير من المتغيرات العشوائية التي تتفاعل مع بعضها البعض. تقع هذه التمثيلات عند تقاطع الإحصاء وعلوم الكمبيوتر، وتعتمد على مفاهيم من نظرية الاحتمالات وخوارزميات الرسم البياني والتعلم الآلي والمزيد. إنها تشكل الأساس للطرق الأكثر تقدمًا في مجموعة واسعة من التطبيقات، مثل التشخيص الطبي، وفهم الصور، والتعرف على الكلام، ومعالجة اللغة الطبيعية، والمزيد والمزيد.
هذه الدورة هي الثالثة في سلسلة من ثلاث دورات. بعد الدورة الأولى التي ركزت على التمثيل، والثانية التي ركزت على الاستدلال، تتناول هذه الدورة مسألة التعلم: كيفية تعلم PGM من مجموعة من الأمثلة. يناقش المقرر المشاكل الرئيسية لتقدير المعلمات في نماذج ذاكري وغيرها، فضلا عن مهمة تعلم بنية نماذج ذاكري. يتضمن المسار الموسع (موصى به للغاية) مهمتين برمجيتين عمليتين، حيث يتم تحقيق مهمتين رئيسيتين للخوارزميتين المستخدمتين بشكل شائع في التعلم وتطبيقهما على مشاكل حقيقية.
