Mempelajari Model Grafik Probabilistik daripada Data

Mengekstrak corak yang bermakna daripada data yang kompleks memerlukan lebih daripada statistik ringkas. Kursus ini menyediakan laluan yang jelas untuk memahami bagaimana Model Grafik Probabilistik (PGM) boleh dipelajari terus daripada data untuk mewakili hubungan rumit antara pembolehubah. Anda akan memperoleh kemahiran untuk mengubah set data mentah menjadi perwakilan probabilistik berstruktur yang boleh digunakan untuk ramalan dan pembuatan keputusan dalam bidang daripada perubatan hingga robotik. Apa yang anda akan pelajari: - Memahami prinsip asas anggaran parameter dalam rangkaian Bayesian dan Markov. - Mengaplikasikan Anggaran Kebarangkalian Maksimum dan teknik Bayesian untuk belajar daripada set data lengkap dan tidak lengkap. - Menemui struktur model grafik menggunakan algoritma berasaskan skor dan berasaskan kekangan. - Belajar cara mengendalikan pembolehubah laten menggunakan pendekatan moden seperti algoritma Expectation-Maximization. - Berlatih menilai kualiti dan kerumitan model untuk mengelakkan overfitting dalam domain berdimensi tinggi. Kursus bermula dengan istilah penting dan matlamat teras tugasan pembelajaran, kemudian berkembang melalui anggaran parameter, pembelajaran struktur, dan pengendalian data tersembunyi. Ia direka untuk pemula yang berminat dalam pembelajaran mesin dan sains data, tidak memerlukan latar belakang terdahulu dalam model grafik. Mula membina model yang lebih pintar dengan mempelajari struktur ketidakpastian hari ini.