مدل‌های گرافی احتمالی

Probabilistic Graphical Models

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

مدل‌های گرافی احتمالی چارچوبی متداول برای مدل‌سازی توزیع احتمال توأم متغیرهای تصادفی هستند که در آن‌ها از گراف‌های پارامتری شده برای بازنمایی فشرده و گویای توزیع‌های احتمالاتی و روابط استقلال میان متغیرهای تصادفی استفاده می‌شود. در این درس، روش‌های مختلف ارائه، استنتاج دقیق و تقریبی، و نیز یادگیری ساختار و پارامترهای مدل‌های احتمالاتی گرافی آموزش داده می‌شود. همچنین، کاربرد این مدل‌ها در پردازش متن، صوت، و تصویر و نیز در حوزه بیوانفورماتیک مورد بررسی قرار می‌گیرد.

سرفصل‌ها

  1. مقدمات نظریه احتمال و نظریه گراف
  2. شبکه‌های بیزی جهت‌دار
  3. شبکه‌های مارکفی بدون جهت
  4. روش‌های‌ارائه کلیشه‌ای: مدل‌های زمانی، شبکه‌های‌بیزی پویا، مدل مخفی مارکوف، مدل‌های شیء-رابطه
  5. روش‌های استنتاج دقیق: حذف متغیر، درخت‌های کلیک، انتقال پیام، جمع-ضرب، انتشار باور
  6. روش‌های استنتاج تقریبی: نمونه‌برداری، استنتاج مبتنی بر ذره، MCMC، الگوریتم‌های استنتاج تغییراتی
  7. روش‌های یادگیری پارامتر: تقریب بیشینه درست‌نمایی، تقریب پارامتر بیزی
  8. روش‌های یادگیری ساختار: روش‌های مبتنی بر قید، روش‌های مبتنی بر امتیاز
  9. کاربردها

ارزیابی پیشنهادی

منابع پیشنهادی

  1. D. Koller and N. Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT press, 2009.
  2. K. P. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  3. C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.