آموزش مدل‌های گرافیکی احتمالی ۳: یادگیری - آخرین آپدیت

دانلود Probabilistic Graphical Models 3: Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های گرافیکی احتمالی (PGMs) چارچوبی قدرتمند برای رمزگذاری توزیع‌های احتمالی در دامنه‌های پیچیده هستند؛ توزیع‌های مشترک (چند متغیره) 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 تئوری احتمال، الگوریتم‌های گراف، یادگیری ماشین و موارد دیگر متکی هستند. آن‌ها پایه و اساس روش‌های پیشرفته در طیف گسترده‌ای از کاربردها مانند تشخیص پزشکی، درک تصویر، تشخیص گفتار، پردازش زبان طبیعی و بسیاری موارد دیگر می‌باشند. همچنین، این مدل‌ها ابزاری بنیادی در فرمول‌بندی بسیاری از مسائل یادگیری ماشین هستند. این دوره، سومین بخش از یک سری سه قسمتی است. پس از دوره اول که بر نمایش (Representation) و دوره دوم که بر استنتاج (Inference) متمرکز بود، این دوره به مسئله یادگیری می‌پردازد: اینکه چگونه می‌توان یک PGM را از روی مجموعه‌ای از داده‌های نمونه یاد گرفت. در این دوره، مسائل کلیدی تخمین پارامتر در هر دو مدل جهت‌دار و بدون جهت، و همچنین وظیفه یادگیری ساختار برای مدل‌های جهت‌دار مورد بحث قرار می‌گیرد. بخش پیشرفته (Honors track) که شدیداً توصیه می‌شود، شامل دو تکلیف برنامه‌نویسی عملی است که در آن روتین‌های کلیدی دو الگوریتم یادگیری رایج پیاده‌سازی شده و بر روی یک مسئله واقعی اعمال می‌شوند.

سرفصل ها و درس ها

یادگیری: نمای کلی Learning: Overview

  • یادگیری: نمای کلی Learning: Overview

مرور مفاهیم یادگیری ماشین از کلاس پروفسور اندرو ان‌جی (اختیاری) Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

  • منظم‌سازی: مسئله بیش‌برازش (Overfitting) Regularization: The Problem of Overfitting

  • منظم‌سازی: تابع هزینه Regularization: Cost Function

  • ارزیابی یک فرضیه Evaluating a Hypothesis

  • انتخاب مدل و مجموعه‌های آموزش، اعتبارسنجی و تست Model Selection and Train Validation Test Sets

  • تشخیص بایاس در مقابل واریانس Diagnosing Bias vs Variance

  • منظم‌سازی و بایاس-واریانس Regularization and Bias Variance

تخمین پارامتر در شبکه‌های بیزی Parameter Estimation in Bayesian Networks

  • تخمین بیشینه احتمال (MLE) Maximum Likelihood Estimation

  • تخمین بیشینه احتمال برای شبکه‌های بیزی Maximum Likelihood Estimation for Bayesian Networks

  • تخمین بیزی Bayesian Estimation

  • پیش‌بینی بیزی Bayesian Prediction

  • تخمین بیزی برای شبکه‌های بیزی Bayesian Estimation for Bayesian Networks

یادگیری مدل‌های بدون جهت Learning Undirected Models

  • بیشینه احتمال برای مدل‌های خطی لوگاریتیمی Maximum Likelihood for Log-Linear Models

  • بیشینه احتمال برای میدان‌های تصادفی شرطی (CRF) Maximum Likelihood for Conditional Random Fields

  • تخمین MAP برای MRFها و CRFها MAP Estimation for MRFs and CRFs

یادگیری ساختار شبکه بیزی Learning BN Structure

  • نمای کلی یادگیری ساختار Structure Learning Overview

  • امتیازات احتمال Likelihood Scores

  • معیار BIC و سازگاری مجانبی BIC and Asymptotic Consistency

  • امتیازات بیزی Bayesian Scores

  • یادگیری شبکه‌های با ساختار درختی Learning Tree Structured Networks

  • یادگیری گراف‌های کلی: جستجوی اکتشافی Learning General Graphs: Heuristic Search

  • یادگیری گراف‌های کلی: جستجو و تجزیه‌پذیری Learning General Graphs: Search and Decomposability

یادگیری شبکه‌های بیزی با داده‌های ناقص Learning BNs with Incomplete Data

  • یادگیری با داده‌های ناقص: نمای کلی Learning With Incomplete Data - Overview

  • مقدمه‌ای بر بیشینه‌سازی انتظار (EM) Expectation Maximization - Intro

  • تحلیل الگوریتم EM Analysis of EM Algorithm

  • کاربرد EM در عمل EM in Practice

  • متغیرهای پنهان Latent Variables

خلاصه یادگیری و بخش نهایی Learning Summary and Final

  • خلاصه: یادگیری Summary: Learning

جمع‌بندی دوره PGM PGM Wrapup

  • جمع‌بندی کلی دوره PGM PGM Course Summary

نمایش نظرات