Modelli grafici probabilistici 1: Rappresentazione

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 primo di una sequenza di tre. Descrive le due rappresentazioni PGM di base: reti bayesiane, che si basano su un grafico diretto; e reti Markov, che utilizzano un grafico non indirizzato. Il corso discute sia le proprietà teoriche di queste rappresentazioni sia il loro uso nella pratica. La traccia di onori (altamente raccomandata) contiene diversi incarichi pratici su come rappresentare alcuni problemi del mondo reale. Il corso presenta anche alcune importanti estensioni oltre alla rappresentazione PGM di base, che consentono di codificare in modo compatto modelli più complessi.