Olasılıksal grafik modeller. Karmaşık alanlarda sonuç çıkarmanın ve öğrenmenin yeni bir yolunda ustalaşın.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Olasılıksal grafik modeller (PGM’ler), karmaşık alanlar üzerindeki olasılık dağılımlarını kodlamak için zengin bir çerçevedir: birbirleriyle etkileşime giren çok sayıda rastgele değişken üzerindeki ortak (çok değişkenli) dağılımlar. Bu temsiller istatistik ve bilgisayar biliminin kesişim noktasındadır ve olasılık teorisi, grafik algoritmaları, makine öğrenimi ve daha birçok kavramdan yararlanır. Tıbbi teşhis, görüntü anlama, konuşma tanıma, doğal dil işleme ve daha fazlası gibi çok çeşitli uygulamalarda en gelişmiş yöntemlerin temelini oluştururlar. Bunlar aynı zamanda birçok makine öğrenimi probleminin formüle edilmesinde de temel bir araçtır.
Bu kurs üç derslik serinin ilkidir. PGM’nin iki temel temsilini açıklar: sıralanmış bir grafiğe bağlı olan Bayes ağları; ve sıralanmamış bir grafik kullanan Markov ağları. Ders bu temsillerin teorik özelliklerini ve bunların pratikte nasıl gerçekleştirildiğini ele alıyor gibi görünüyor. Genişletilmiş bölüm (şiddetle tavsiye edilir), sorunların gerçeklikten nasıl temsil edileceğine dair çeşitli pratik ödevler içerir. Kurs ayrıca PGM’nin temel temsilinin ötesinde, karmaşık modellerin kompakt bir şekilde kodlanmasına olanak tanıyan bazı önemli uzantıları da tanıtacaktır.
Olasılıksal grafik modeller (PGM’ler), karmaşık alanlar üzerindeki olasılık dağılımlarını kodlamak için zengin bir çerçevedir: birbirleriyle etkileşime giren çok sayıda rastgele değişken üzerindeki ortak (çok değişkenli) dağılımlar. Bu temsiller istatistik ve bilgisayar biliminin kesişim noktasındadır ve olasılık teorisi, grafik algoritmaları, makine öğrenimi ve daha birçok kavramdan temel alınır. Tıbbi teşhis, görüntü anlama, konuşma tanıma, doğal dil işleme ve daha fazlası gibi çok çeşitli uygulamalarda en gelişmiş yöntemlerin temelini oluştururlar.
Bu kurs üç derslik serinin ikincisidir. Gösterime odaklanan ilk dersin ardından bu ders olasılıksal çıkarım sorusunu ele alıyor: PGM’nin soruları yanıtlamak için nasıl kullanılabileceği. PGM modelleri tipik olarak çok yüksek boyutlu bir dağılım tanımlasa da yapıları sorguların verimli bir şekilde gerçekleştirilebileceği şekilde tasarlanmıştır. Kurs, farklı türde çıkarım görevleri için kesin ve yaklaşık algoritmalar sunar ve bunların her birinin en iyi nerede uygulanabileceğini tartışır. Genişletilmiş bölüm (şiddetle tavsiye edilir), en yaygın kesin ve yaklaşık algoritmaların kod geliştiricilerinin gerçekleştirildiği ve gerçek problemlere uygulandığı iki pratik programlama ödevini içerir.
Olasılıksal grafik modeller (PGM’ler), karmaşık alanlar üzerindeki olasılık dağılımlarını kodlamak için zengin bir çerçevedir: birbirleriyle etkileşime giren çok sayıda rastgele değişken üzerindeki ortak (çok değişkenli) dağılımlar. Bu temsiller istatistik ve bilgisayar biliminin kesişim noktasındadır ve olasılık teorisi, grafik algoritmaları, makine öğrenimi ve daha birçok kavramdan yararlanır. Tıbbi teşhis, görüntü anlama, konuşma tanıma, doğal dil işleme ve daha fazlası gibi çok çeşitli uygulamalarda en gelişmiş yöntemlerin temelini oluştururlar.
Bu kurs üç derslik serinin üçüncüsüdür. Gösterime odaklanan ilk kurs ve çıkarıma odaklanan ikinci kurstan sonra, bu kurs öğrenme sorununu ele alıyor: PGM’nin bir dizi örnekten nasıl öğrenileceği. Bu ders, anımsatıcı modellerde ve diğer modellerde parametrelerin tahmin edilmesindeki temel sorunların yanı sıra anımsatıcı modellerin yapısını öğrenme görevini de tartışmaktadır. Genişletilmiş bölüm (şiddetle tavsiye edilir), öğrenmede yaygın olarak kullanılan iki algoritmanın iki temel görevinin gerçekleştirildiği ve gerçek problemlere uygulandığı iki pratik programlama ödevini içerir.
