Probabilistisch-Grafische Modelle: Argumentation und Inferenz

Um Unsicherheit in komplexen Systemen zu verstehen, ist mehr als einfache Statistik erforderlich. Es erfordert eine strukturierte Art, über miteinander verbundene Variablen zu denken. Dieser Kurs bietet einen klaren Weg, um zu verstanden, wie man Inferenz durchführt - der Prozess der Beantwortung von Fragen und der Vorhersage - im Rahmen von Probabilistic Graphical Models (PGMs). Sie werden Ihr Verständnis von Daten verändern, indem Sie lernen, wie Sie Wahrscheinlichkeiten berechnen und die wahrscheinlichsten Erklärungen in Systemen finden, in denen viele Variablen interagieren. Am Ende dieses Kurses werden Sie in der Lage sein, die richtigen Inferenzstrategien auszuwählen und anzuwenden, um reale Probleme in Bereichen von der medizinischen Diagnose bis zur automatisierten Entscheidungsfindung zu lösen. Was Sie lernen werden: - Verstehen Sie die Grundprinzipien der exakten Inferenz in Bayes- und Markov-Netzwerken - Wenden Sie Variablen-Eliminations- und Nachrichtenübermittlungsalgorithmen an, um Grenzwahrscheinlichkeiten zu berechnen - Üben Sie approximative Inferenztechniken wie Markov Chain Monte Carlo (MCMC) für hochdimensionale Daten - Erkunden Sie die variationale Inferenz als modernen Ansatz für den Umgang mit komplexen posterioren Verteilungen - Analysieren Sie die rechnerischen Kompromisse zwischen verschiedenen Inferenzstrategien - Verbinden Sie grafische Modelle mit modernen Machine-Learning-Konzepten wie latenten Variablen und tiefen generativen Modellen Der Kurs beginnt mit grundlegenden Definitionen von Inferenzaufgaben und der dahinter stehenden mathematischen Logik, um dann strukturierte schriftliche Erklärungen der Kernalgorithmen zu erhalten, die von exakten Berechnungsmethoden bis hin zu modernen Approximationstechniken reichen, die heute in der Industrie verwendet werden. Dieser Kurs richtet sich an Einsteiger in das probabilistische Denken, die ein grundlegendes Verständnis der Wahrscheinlichkeitsrechnung haben und die Logik hinter automatisierter Inferenz beherrschen möchten. Lernen Sie, wie Sie mit Unsicherheit durch strukturierte wahrscheinlichkeitsbasierte Modelle argumentieren können.