آموزش مدل‌های گرافیکی احتمالی ۱: نمایش - آخرین آپدیت

دانلود Probabilistic Graphical Models 1: Representation

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های گرافیکی احتمالی (PGMs) چارچوبی جامع برای کدگذاری توزیع‌های احتمالی در دامنه‌های پیچیده هستند؛ توزیع‌های مشترک (چندمتغیره) روی تعداد زیادی از متغیرهای تصادفی که با یکدیگر تعامل دارند. این نمایش‌ها در نقطه تلاقی آمار و علوم کامپیوتر قرار دارند و بر مفاهیمی از نظریه احتمالات، الگوریتم‌های گراف، یادگیری ماشین و موارد دیگر تکیه می‌کنند. این مدل‌ها پایه و اساس روش‌های پیشرفته در طیف گسترده‌ای از کاربردها مانند تشخیص پزشکی، درک تصویر، تشخیص گفتار، پردازش زبان طبیعی و بسیاری موارد دیگر هستند. همچنین، آن‌ها ابزاری بنیادین در فرمول‌بندی بسیاری از مسائل یادگیری ماشین محسوب می‌شوند. این دوره، اولین بخش از یک مجموعه سه قسمتی است و دو نمایش اصلی PGM را توصیف می‌کند: شبکه‌های بیزی که بر گراف‌های جهت‌دار متکی هستند و شبکه‌های مارکوف که از گراف‌های بدون جهت استفاده می‌کنند. در این دوره هم ویژگی‌های تئوری این نمایش‌ها و هم کاربردهای عملی آن‌ها مورد بحث قرار می‌گیرد. بخش تخصصی (که به شدت توصیه می‌شود) شامل چندین تمرین عملی در مورد نحوه نمایش برخی مسائل دنیای واقعی است. این دوره همچنین برخی از توسعه‌های مهم فراتر از نمایش‌های پایه PGM را ارائه می‌دهد که اجازه می‌دهد مدل‌های پیچیده‌تر به‌صورت فشرده کدگذاری شوند.

سرفصل ها و درس ها

مقدمه و بررسی کلی Introduction and Overview

  • خوش‌آمدگویی! Welcome!

  • بررسی کلی و انگیزه‌ها Overview and Motivation

  • توزیع‌ها Distributions

  • فاکتورها Factors

شبکه بیزی (مدل‌های جهت‌دار) Bayesian Network (Directed Models)

  • معناشناسی و فاکتوربندی Semantics & Factorization

  • الگوهای استدلال Reasoning Patterns

  • جریان اثرات احتمالی Flow of Probabilistic Influence

  • استقلال شرطی Conditional Independence

  • استقلال‌ها در شبکه‌های بیزی Independencies in Bayesian Networks

  • بیز ساده (Naive Bayes) Naive Bayes

  • کاربرد: تشخیص پزشکی Application - Medical Diagnosis

  • مثال مهندسی دانش: SAMIAM Knowledge Engineering Example - SAMIAM

  • عملیات پایه Basic Operations

  • مدیریت و جابجایی داده‌ها Moving Data Around

  • محاسبات روی داده‌ها Computing On Data

  • رسم نمودار داده‌ها Plotting Data

  • دستورات کنترلی: for, while, if Control Statements: for, while, if statements

  • برداری‌سازی (Vectorization) Vectorization

  • نحوه انجام و ارسال تمرینات برنامه‌نویسی Working on and Submitting Programming Exercises

مدل‌های الگو برای شبکه‌های بیزی Template Models for Bayesian Networks

  • بررسی کلی مدل‌های الگو Overview of Template Models

  • مدل‌های زمانی: DBNs Temporal Models - DBNs

  • مدل‌های زمانی: HMMs Temporal Models - HMMs

  • مدل‌های صفحه‌ای (Plate Models) Plate Models

توزیع‌های احتمالی شرطی (CPD) ساختاریافته برای شبکه‌های بیزی Structured CPDs for Bayesian Networks

  • بررسی کلی: CPDهای ساختاریافته Overview: Structured CPDs

  • CPDهای با ساختار درختی Tree-Structured CPDs

  • استقلال اثرات علی Independence of Causal Influence

  • متغیرهای پیوسته Continuous Variables

شبکه‌های مارکوف (مدل‌های بدون جهت) Markov Networks (Undirected Models)

  • شبکه‌های مارکوف جفت‌بسته Pairwise Markov Networks

  • توزیع کلی گیبس General Gibbs Distribution

  • میدان‌های تصادفی شرطی (CRF) Conditional Random Fields

  • استقلال‌ها در شبکه‌های مارکوف Independencies in Markov Networks

  • نقشه‌های I و نقشه‌های کامل I-maps and perfect maps

  • مدل‌های خطی لگاریتمی Log-Linear Models

  • ویژگی‌های مشترک در مدل‌های خطی لگاریتمی Shared Features in Log-Linear Models

تصمیم‌گیری Decision Making

  • بیشینه مطلوبیت مورد انتظار Maximum Expected Utility

  • توابع مطلوبیت Utility Functions

  • ارزش اطلاعات کامل Value of Perfect Information

مهندسی دانش و جمع‌بندی Knowledge Engineering & Summary

  • مهندسی دانش Knowledge Engineering

نمایش نظرات

آموزش مدل‌های گرافیکی احتمالی ۱: نمایش
جزییات دوره
66h 49m
38
(آخرین آپدیت)
94,613
- از 5
دارد
دارد
دارد
Daphne Koller
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar