在人工智能、统计学、计算机系统、计算机视觉、自然语言处理和计算生物学等许多领域中,许多问题都可以被视为从局部信息中寻找一致的全局结论。概率图模型框架为这一范围广泛的问题提供了一个统一的视图,能够在具有大量属性和巨大数据集的问题中进行有效的推理、决策和学习。这门研究生水平的课程将为您在复杂问题中运用图模型中解决核心研究主题提供坚实的基础。本课程将涵盖三个方面: 核心表示,包括贝叶斯网络和马尔科夫网络,以及动态贝叶斯网络;概率推理算法,包括精确和近似; 以及图模型的参数和结构的学习方法。进入这门课程的学生应该预先具备概率、统计学和算法的工作知识,尽管这门课程的设计是为了让有较强数学背景的学生赶上并充分参与。希望通过本课程的学习,学生能够获得足够的实际应用的多变量概率建模和推理的工作知识,能够用通用模型在自己的领域内制定和解决广泛的问题。并且可以自己进入更专业的技术文献。

成为VIP会员查看完整内容
59

相关内容

概率图模型是图灵奖获得者Pearl开发出来的用图来表示变量概率依赖关系的理论。概率图模型理论分为概率图模型表示理论,概率图模型推理理论和概率图模型学习理论。
【2021新书】概率图模型:原理与应用,370页pdf
专知会员服务
147+阅读 · 2021年5月26日
不可错过!CMU《深度学习导论》2020课程,附课件与视频
专知会员服务
64+阅读 · 2020年10月27日
【康奈尔】最新《强化学习基础》CS 6789课程
专知会员服务
57+阅读 · 2020年9月27日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
59+阅读 · 2019年11月4日
【新书册】贝叶斯神经网络,41页pdf
专知
18+阅读 · 2020年6月3日
CCCF译文 | 机器学习如何影响本科生计算机课程
中国计算机学会
6+阅读 · 2019年2月18日
资源 | CMU统计机器学习2017春季课程:研究生水平
机器之心
11+阅读 · 2017年10月30日
Arxiv
0+阅读 · 2021年8月4日
Multi-Domain Multi-Task Rehearsal for Lifelong Learning
Arxiv
10+阅读 · 2020年12月14日
Learning Blind Video Temporal Consistency
Arxiv
3+阅读 · 2018年8月1日
VIP会员
微信扫码咨询专知VIP会员