Вероятностные графические модели. Освойте новый способ делать выводы и учиться в сложных областях.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Вероятностные графические модели (PGM) представляют собой богатую основу для кодирования распределений вероятностей в сложных областях: совместных (многомерных) распределениях по большому количеству случайных величин, которые взаимодействуют друг с другом. Эти представления находятся на стыке статистики и информатики и опираются на концепции теории вероятностей, графовых алгоритмов, машинного обучения и многого другого. Они составляют основу самых передовых методов в самых разных приложениях, таких как медицинская диагностика, понимание изображений, распознавание речи, обработка естественного языка и многое другое. Они также являются фундаментальным инструментом при формулировании многих задач машинного обучения.
Этот курс является первым из трех. Он описывает два основных представления PGM: байесовские сети, которые зависят от отсортированного графа; и сети Маркова, в которых используется несортированный граф. Кажется, что курс посвящен теоретическим особенностям этих представлений и тому, как они реализуются на практике. Расширенный курс (настоятельно рекомендуется) включает в себя несколько практических заданий о том, как представлять проблемы из реальности. В курсе также будут представлены некоторые важные расширения помимо базового представления PGM, которые позволяют компактно кодировать сложные модели.
Вероятностные графические модели (PGM) представляют собой богатую основу для кодирования распределений вероятностей в сложных областях: совместных (многомерных) распределениях по большому количеству случайных величин, которые взаимодействуют друг с другом. Эти представления находятся на стыке статистики и информатики и основаны на концепциях теории вероятностей, графовых алгоритмов, машинного обучения и т. д. Они составляют основу самых передовых методов в самых разных приложениях, таких как медицинская диагностика, понимание изображений, распознавание речи, обработка естественного языка и многое другое.
Этот курс является вторым из трех. После первого курса, посвященного представлению, этот курс посвящен вопросу вероятностного вывода: как PGM можно использовать для ответа на вопросы. Хотя модели PGM обычно описывают очень многомерное распределение, их структура спроектирована таким образом, чтобы запросы могли выполняться эффективно. В курсе представлены точные и приблизительные алгоритмы для различных типов задач вывода и обсуждается, где каждый из них может быть лучше всего применен. Расширенный трек (настоятельно рекомендуется) включает в себя два практических задания по программированию, в которых разработчики кода наиболее распространенных точных и приближенных алгоритмов реализуются и применяются к реальным задачам.
Вероятностные графические модели (PGM) представляют собой богатую основу для кодирования распределений вероятностей в сложных областях: совместных (многомерных) распределениях по большому количеству случайных величин, которые взаимодействуют друг с другом. Эти представления находятся на стыке статистики и информатики и опираются на концепции теории вероятностей, графовых алгоритмов, машинного обучения и многого другого. Они составляют основу самых передовых методов в самых разных приложениях, таких как медицинская диагностика, понимание изображений, распознавание речи, обработка естественного языка и многое другое.
Этот курс является третьим из трех. После первого курса, посвященного представлению, и второго, ориентированного на вывод, этот курс посвящен вопросу обучения: как изучить PGM на наборе примеров. В курсе рассматриваются основные проблемы оценки параметров мнемо- и других моделей, а также задачи изучения структуры мнемомоделей. Расширенный курс (настоятельно рекомендуется) включает два практических задания по программированию, в которых реализуются и применяются к реальным задачам две ключевые задачи двух алгоритмов, обычно используемых в обучении.
