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
نمایش نظرات