प्रोबेबिलिस्टिक ग्राफिकल मॉडल्स: तर्क और अनुमान

जटिल प्रणालियों में अनिश्चितता को समझना साधारण सांख्यिकी से कहीं अधिक की मांग करता है; इसके लिए परस्पर जुड़े चर (variables) के बारे में तर्क करने का एक संरचित तरीका आवश्यक है। यह कोर्स प्रोबेबिलिस्टिक ग्राफिकल मॉडल्स (PGMs) के ढांचे के भीतर इन्फेरेंस (प्रश्नों का उत्तर देने और भविष्यवाणियाँ करने की प्रक्रिया) कैसे करें, यह समझने का एक स्पष्ट मार्ग प्रदान करता है। आप यह सीखकर डेटा की अपनी समझ को बदल देंगे कि उन प्रणालियों में संभावनाओं की गणना कैसे करें और सबसे संभावित स्पष्टीकरण कैसे खोजें जहां कई चर परस्पर क्रिया करते हैं। इस कोर्स के अंत तक, आप चिकित्सा निदान से लेकर स्वचालित निर्णय लेने तक के क्षेत्रों में वास्तविक दुनिया की समस्याओं को हल करने के लिए सही इन्फेरेंस रणनीतियों का चयन और उन्हें लागू करने में सक्षम होंगे। आप क्या सीखेंगे: - बायेसियन और मार्कोव नेटवर्क में सटीक इन्फेरेंस के मूल सिद्धांतों को समझें - मार्जिनल संभावनाओं की गणना के लिए वेरिएबल एलिमिनेशन और मैसेज-पासिंग एल्गोरिदम लागू करें - उच्च-आयामी डेटा के लिए मार्कोव चेन मोंटे कार्लो (MCMC) जैसी अनुमानित इन्फेरेंस तकनीकों का अभ्यास करें - जटिल पश्च वितरणों (posterior distributions) को संभालने के लिए एक आधुनिक दृष्टिकोण के रूप में वेरिएशनल इन्फेरेंस का अन्वेषण करें - विभिन्न इन्फेरेंस रणनीतियों के बीच कम्प्यूटेशनल ट्रेड-ऑफ का विश्लेषण करें - ग्राफिकल मॉडल्स को आधुनिक मशीन लर्निंग अवधारणाओं जैसे लेटेंट वेरिएबल्स और डीप जनरेटिव मॉडल्स से जोड़ें यह कोर्स इन्फेरेंस कार्यों की मूलभूत परिभाषाओं और उनके पीछे के गणितीय तर्क से शुरू होता है। फिर आप मुख्य एल्गोरिदम की संरचित लिखित व्याख्याओं के माध्यम से आगे बढ़ेंगे, सटीक गणना विधियों से लेकर आज उद्योग में उपयोग की जाने वाली आधुनिक सन्निकटन तकनीकों (approximation techniques) तक जाएंगे। यह कोर्स प्रोबेबिलिस्टिक तर्क में शुरुआती लोगों के लिए डिज़ाइन किया गया है जिन्हें संभाव्यता की बुनियादी समझ है और जो स्वचालित इन्फेरेंस के पीछे के तर्क में महारत हासिल करना चाहते हैं। ग्राफिकल मॉडल्स के साथ पिछले अनुभव की कोई आवश्यकता नहीं है। संरचित प्रोबेबिलिस्टिक मॉडल्स के माध्यम से अनिश्चितता के साथ तर्क करना सीखें।