Metody Deep Learning - Wykład 3
•Download as PPTX, PDF•
0 likes•602 views
Trzecia część wykładów na temat deep learning i uczenia maszynowego. Prowadzone były na AGH, przez firme Craftinity (Craftinity.com), razem z kołem naukowym BIT (http://knbit.edu.pl/pl/)
Metody Deep Learning - Wykład 3
- 10. Probabilistic graphical models - reprezentacja skomplikowanego rozkładu prawdopodobieństwa przy pomocy grafu - zależności pomiędzy zmiennymi rozkładu reprezentowane jako krawędzie - skomplikowane obliczenia mogą być wyrażone jako operacje na grafie
- 12. Bayesian networks ● Directed graphical model
- 13. Bayesian networks formally ● - rodzice w grafie węzła ● - Conditional probability distributions (CPD) - graf nad zmiennymi
- 14. CPD
- 15. Conditional Independence ● zależność/niezależność zmiennych w rozkładzie prawd. kluczowa dla zrozumienia jego zachowania ● pomocna dla zredukowania obliczeń przy wnioskowaniu (ang. inference)
- 16. Conditional independence c.d ● bezpośrednie połączenie ● brak bezpośredniego połączenia 1. 2. 3. 4.
- 17. d-separation ● - graf, - ścieżka w . ● - zbiór zaobserwowanych zmiennych. Ścieżka jest aktywna pod warunkiem gdy: - pojawia się struktura i lub jego przodek jest w - żaden z innych węzłów na ścieżce nie jest w
- 18. d-separation c.d ● - zbiory węzłów w są d-separowalne pod warunkiem jeżeli nie ma żadnej aktywnej ścieżki pomiędzy i pod warunkiem
- 19. Markov random fields ● w pewnych sytuacjach ciężko określić relację skutek-przyczyna pomiędzy zdarzeniami ● krawędzie między zmiennymi są nieskierowane ● ang. undirected graphical models
- 20. MRF joint probability ● do podzbioru węzłów w grafie przypisujemy tzw. potencjał - partition function