Probabilistische grafische Modelle 3: Lernen

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 dritte in einer Folge von drei. Nach dem ersten Kurs, der sich auf Repräsentation konzentrierte, und dem zweiten, der sich auf Inferenz konzentrierte, befasst sich dieser Kurs mit der Frage des Lernens: Wie kann ein PGM aus einem Datensatz von Beispielen gelernt werden? Der Kurs behandelt die Hauptprobleme der Parameterschätzung in gerichteten und ungerichteten Modellen sowie die Strukturlernaufgabe für gerichtete Modelle. Der (sehr empfohlene) Honours-Track enthält zwei praktische Programmieraufgaben, in denen Schlüsselroutinen von zwei häufig verwendeten Lernalgorithmen implementiert und auf ein reales Problem angewendet werden.