Stanford University Kostenlose Online-Bildung

Probabilistische Grafikmodelle 2: Inferenz

Beschreibung

Probabilistische grafische Modelle (PGMs) sind ein umfassendes Framework für die Codierung von Wahrscheinlichkeitsverteilungen über komplexe Domänen: gemeinsame (multivariate) Verteilungen über eine große Anzahl von Zufallsvariablen, die miteinander interagieren. Diese Darstellungen befinden sich an der Schnittstelle von Statistik und Informatik und stützen sich auf Konzepte aus der Wahrscheinlichkeitstheorie, Graphalgorithmen, maschinellem Lernen und mehr. Sie sind die Grundlage für die neuesten Methoden in einer Vielzahl von Anwendungen, wie z. B. medizinische Diagnose, Bildverständnis, Spracherkennung, Verarbeitung natürlicher Sprache und vieles mehr. Sie sind auch ein grundlegendes Werkzeug bei der Formulierung vieler Probleme des maschinellen Lernens.

Dieser Kurs ist der zweite in einer Folge von drei. Nach dem ersten Kurs, der sich auf Repräsentation konzentrierte, befasst sich dieser Kurs mit der Frage der probabilistischen Inferenz: Wie kann ein PGM zur Beantwortung von Fragen verwendet werden? Obwohl ein PGM im Allgemeinen eine sehr hohe Dimensionsverteilung beschreibt, ist seine Struktur so konzipiert, dass Fragen effizient beantwortet werden können. Der Kurs präsentiert sowohl genaue als auch ungefähre Algorithmen für verschiedene Arten von Inferenzaufgaben und erläutert, wo die einzelnen am besten angewendet werden können. Der (sehr empfohlene) Honours-Track enthält zwei praktische Programmieraufgaben, in denen Schlüsselroutinen der am häufigsten verwendeten exakten und ungefähren Algorithmen implementiert und auf ein reales Problem angewendet werden.

Preis: Kostenlos anmelden!

Sprache: Englisch

Untertitel: Englisch

Probabilistische Grafikmodelle 2: Inferenz - Universität in Stanford