Probabilistic Graphical Models 3: Learning

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 terzo in una sequenza di tre. Dopo il primo corso, incentrato sulla rappresentazione, e il secondo, incentrato sull'inferenza, questo corso affronta la questione dell'apprendimento: come un PGM può essere appreso da un set di dati di esempi. Il corso discute i problemi chiave della stima dei parametri in entrambi i modelli diretti e non indirizzati, nonché il compito di apprendimento della struttura per i modelli diretti. La traccia di onori (altamente raccomandata) contiene due compiti pratici di programmazione, in cui le routine chiave di due algoritmi di apprendimento comunemente usati sono implementate e applicate a un problema del mondo reale.