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
- مقدمات نظریه احتمال و نظریه گراف
- شبکه‌های بیزی جهت‌دار
- شبکه‌های مارکفی بدون جهت
- روش‌های‌ارائه کلیشه‌ای: مدل‌های زمانی، شبکه‌های‌بیزی پویا، مدل مخفی مارکوف، مدل‌های شیء-رابطه
- روش‌های استنتاج دقیق: حذف متغیر، درخت‌های کلیک، انتقال پیام، جمع-ضرب، انتشار باور
- روش‌های استنتاج تقریبی: نمونه‌برداری، استنتاج مبتنی بر ذره، MCMC، الگوریتم‌های استنتاج تغییراتی
- روش‌های یادگیری پارامتر: تقریب بیشینه درست‌نمایی، تقریب پارامتر بیزی
- روش‌های یادگیری ساختار: روش‌های مبتنی بر قید، روش‌های مبتنی بر امتیاز
- کاربردها
ارزیابی پیشنهادی
- تمرین‌ها و پروژه: ۳۰ درصد نمره
- آزمون‌های میان‌ترم و پایانی: ۶۰ درصد نمره
- پروژه پژوهشی: ۱۰ درصد نمره
منابع پیشنهادی
- D. Koller and N. Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT press, 2009.
- K. P. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.