แบบจำลองกราฟเชิงความน่าจะเป็น: การให้เหตุผลและการอนุมาน

การทำความเข้าใจความไม่แน่นอนในระบบที่ซับซ้อนต้องอาศัยมากกว่าสถิติธรรมดา แต่ต้องอาศัยวิธีการที่มีโครงสร้างในการให้เหตุผลเกี่ยวกับตัวแปรที่เชื่อมโยงกัน หลักสูตรนี้มอบแนวทางที่ชัดเจนในการทำความเข้าใจวิธีการดำเนินการอนุมาน (inference)—กระบวนการตอบคำถามและการคาดการณ์—ภายใต้กรอบของแบบจำลองกราฟเชิงความน่าจะเป็น (Probabilistic Graphical Models - PGMs). คุณจะเปลี่ยนความเข้าใจเกี่ยวกับข้อมูลของคุณโดยการเรียนรู้วิธีการคำนวณความน่าจะเป็นและค้นหาคำอธิบายที่มีแนวโน้มมากที่สุดในระบบที่มีตัวแปรหลายตัวโต้ตอบกัน เมื่อจบคอร์สนี้ คุณจะสามารถเลือกและประยุกต์ใช้กลยุทธ์การอนุมานที่เหมาะสมเพื่อแก้ปัญหาในโลกแห่งความเป็นจริงในสาขาต่างๆ ตั้งแต่การวินิจฉัยทางการแพทย์ไปจนถึงการตัดสินใจอัตโนมัติ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจหลักการพื้นฐานของการอนุมานที่แม่นยำในเครือข่าย Bayesian และ Markov - ประยุกต์ใช้อัลกอริทึมการกำจัดตัวแปร (variable elimination) และการส่งข้อความ (message-passing) เพื่อคำนวณความน่าจะเป็นส่วนเพิ่ม (marginal probabilities) - ฝึกฝนเทคนิคการอนุมานโดยประมาณ เช่น Markov Chain Monte Carlo (MCMC) สำหรับข้อมูลที่มีมิติสูง - สำรวจ variational inference ในฐานะแนวทางที่ทันสมัยในการจัดการกับการแจกแจงภายหลัง (posterior distributions) ที่ซับซ้อน - วิเคราะห์ข้อดีข้อเสียในการคำนวณระหว่างกลยุทธ์การอนุมานที่แตกต่างกัน - เชื่อมโยงแบบจำลองกราฟเข้ากับแนวคิดแมชชีนเลิร์นนิงสมัยใหม่ เช่น latent variables และ deep generative models หลักสูตรเริ่มต้นด้วยคำจำกัดความพื้นฐานของภารกิจการอนุมานและตรรกะทางคณิตศาสตร์ที่อยู่เบื้องหลัง จากนั้นคุณจะก้าวหน้าผ่านคำอธิบายที่เป็นลายลักษณ์อักษรที่มีโครงสร้างของอัลกอริทึมหลัก โดยย้ายจากวิธีการคำนวณที่แม่นยำไปสู่เทคนิคการประมาณค่าที่ทันสมัยซึ่งใช้ในอุตสาหกรรมในปัจจุบัน หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นในการให้เหตุผลเชิงความน่าจะเป็นที่มีความเข้าใจพื้นฐานเกี่ยวกับความน่าจะเป็นและต้องการเชี่ยวชาญตรรกะเบื้องหลังการอนุมานอัตโนมัติ ไม่จำเป็นต้องมีประสบการณ์กับแบบจำลองกราฟมาก่อน เริ่มเรียนรู้วิธีการให้เหตุผลกับความไม่แน่นอนผ่านแบบจำลองเชิงความน่าจะเป็นที่มีโครงสร้าง