Modelli grafici probabilistici 2: inferenza

Descrizione

I modelli grafici probabilistici (PGM) sono un ricco framework per codificare distribuzioni di probabilità su domini complessi: distribuzioni congiunte (multivariate) su un gran numero di variabili casuali che interagiscono tra loro. Queste rappresentazioni si trovano all'intersezione tra statistica e informatica, basandosi su concetti tratti dalla teoria della probabilità, algoritmi grafici, apprendimento automatico e altro ancora. Sono la base per i metodi all'avanguardia in una vasta gamma di applicazioni, come diagnosi medica, comprensione delle immagini, riconoscimento vocale, elaborazione del linguaggio naturale e molte altre ancora. Sono anche uno strumento fondamentale nella formulazione di molti problemi di apprendimento automatico.

Questo corso è il secondo in una sequenza di tre. Dopo il primo corso, incentrato sulla rappresentazione, questo corso affronta la questione dell'inferenza probabilistica: come un PGM può essere utilizzato per rispondere alle domande. Anche se un PGM generalmente descrive una distribuzione dimensionale molto elevata, la sua struttura è progettata in modo da consentire una risposta efficace alle domande. Il corso presenta algoritmi esatti e approssimativi per diversi tipi di compiti di inferenza e discute dove ciascuno potrebbe essere applicato al meglio. La traccia di onori (altamente raccomandata) contiene due compiti pratici di programmazione, in cui le routine chiave degli algoritmi esatti e approssimativi più comunemente usati sono implementate e applicate a un problema del mondo reale.