Probabilistic Graphical Models: Pagdadahilan at Paghinuha (Inference)

Ang pag-unawa sa kawalan ng katiyakan (uncertainty) sa mga kumplikadong sistema ay nangangailangan ng higit pa sa simpleng istatistika; nangangailangan ito ng isang nakabalangkas na paraan upang makapagdahilan tungkol sa mga magkakaugnay na variable. Ang kursong ito ay nagbibigay ng malinaw na landas sa pag-unawa kung paano isagawa ang paghinuha (inference)—ang proseso ng pagsagot sa mga katanungan at paggawa ng mga hula—sa loob ng balangkas ng Probabilistic Graphical Models (PGMs). Babaguhin mo ang iyong pag-unawa sa data sa pamamagitan ng pag-aaral kung paano kalkulahin ang mga probabilidad at hanapin ang pinakamalamang na paliwanag sa mga sistema kung saan maraming variable ang nag-iinteract. Sa pagtatapos ng kursong ito, magagawa mong pumili at maglapat ng tamang mga estratehiya ng paghinuha upang malutas ang mga problema sa totoong mundo sa mga larangan mula sa medikal na pagsusuri (diagnosis) hanggang sa awtomatikong paggawa ng desisyon. Ano ang matututunan mo: - Unawain ang mga pangunahing prinsipyo ng eksaktong paghinuha (exact inference) sa Bayesian at Markov networks - Ilapat ang variable elimination at message-passing algorithms upang kalkulahin ang marginal probabilities - Magsanay sa mga pamamaraan ng tinatayang paghinuha (approximate inference) tulad ng Markov Chain Monte Carlo (MCMC) para sa high-dimensional data - Galugarin ang variational inference bilang isang modernong diskarte sa paghawak ng kumplikadong posterior distributions - Suriin ang mga computational trade-offs sa pagitan ng iba't ibang estratehiya ng paghinuha - Ikonekta ang mga graphical models sa modernong machine learning concepts tulad ng latent variables at deep generative models Nagsisimula ang kurso sa mga pundasyong depinisyon ng mga gawain ng paghinuha at ang lohika ng matematika sa likod ng mga ito. Pagkatapos, uunlad ka sa pamamagitan ng nakabalangkas na nakasulat na mga paliwanag ng mga pangunahing algorithm, na lilipat mula sa eksaktong mga pamamaraan ng pagkalkula patungo sa modernong mga pamamaraan ng pagtatantya (approximation techniques) na ginagamit sa industriya ngayon. Ang kursong ito ay idinisenyo para sa mga nagsisimula sa probabilistic reasoning na may pangunahing pag-unawa sa probabilidad at gustong makabisado ang lohika sa likod ng automated inference. Walang kinakailangang nakaraang karanasan sa graphical models. Simulan ang pag-aaral kung paano magdahilan sa kawalan ng katiyakan sa pamamagitan ng nakabalangkas na probabilistic models.