Metody Deep Learning - Wykład 3
-
Upload
craftinity -
Category
Data & Analytics
-
view
77 -
download
3
Transcript of Metody Deep Learning - Wykład 3
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
Bayesian networks formally
● - rodzice w grafie węzła ● - Conditional
probability distributions (CPD)
- graf nad zmiennymi
Conditional Independence
● zależność/niezależność zmiennych w rozkładzie prawd. kluczowa dla zrozumienia jego zachowania
● pomocna dla zredukowania obliczeń przy wnioskowaniu (ang. inference)
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
d-separation c.d
● - zbiory węzłów w są d-separowalne pod warunkiem jeżeli nie ma żadnej aktywnej ścieżki pomiędzy i pod warunkiem
Markov random fields
● w pewnych sytuacjach ciężko określić relację skutek-przyczyna pomiędzy zdarzeniami
● krawędzie między zmiennymi są nieskierowane
● ang. undirected graphical models