O modelo de gráfico de probabilidade é uma teoria que utiliza gráficos para representar a dependência probabilística de variáveis, combinando o conhecimento da teoria das probabilidades e da teoria dos grafos, o gráfico é usado para representar a distribuição de probabilidade conjunta de variáveis relacionadas ao modelo. Desenvolvido pelo vencedor do Prêmio Turing Pearl. A teoria probabilística do modelo gráfico é dividida em teoria da representação do modelo gráfico de probabilidade , teoria do raciocínio do modelo gráfico da probabilidade e teoria do aprendizado do modelo gráfico da probabilidade . Nos últimos 10 anos, tornou-se um ponto importante de pesquisa sobre raciocínio de incerteza e possui amplas perspectivas de aplicação nos campos de inteligência artificial, aprendizado de máquina e visão computacional.
Livros e manuais recomendados
- Koller D, Friedman N. Modelos Gráficos Probabilísticos: Princípios e Técnicas . MIT Press, 2009.
- Feiyue Wang, tradução de Han Suqing de " Modelo-Princípio e Tecnologia do Gráfico Probabilístico "
Os dois livros acima são um em inglês e um é uma versão chinesa traduzida pelo Sr. Wang Feiyue, da Academia Chinesa de Ciências. Este livro tem mais de 1.000 páginas e é muito abrangente.
- Christopher M. Bishop. “ Reconhecimento de padrões e aprendizado de máquina ”. Springer 2006.
O reconhecimento de padrões e o aprendizado de máquina neste livro não são todos sobre modelos gráficos probabilísticos, mas parte deles.
- J. Pearl. " Raciocínio probabilístico em sistemas inteligentes: redes de inferência plausível ". Morgan Kaufmann. 1988.
Finalmente, este é Judea Pearlo clássico livro escrito pelo professor.
Sumário
Observar a revisão é a maneira mais rápida de investigar o algoritmo, então, aqui estão alguns artigos de revisão.
-
Wainwright MJ, Jordan M I. Modelos Gráficos, Famílias Exponenciais e Inferência Variacional . Encontrado. Trends Mach. Learn., 2008, 1: 1–305.
-
Cheng Qiang et al. Método de raciocínio aproximado variacional no modelo probabilístico de gráficos, Journal of Automation, 2014
-
Zhang Hongyi, Wang Liwei, Chen Yuxi.Uma revisão do progresso da pesquisa em modelos de gráficos de probabilidade, Journal of Software, 2013
Sites relacionados
-
Curso: Eric Xing : http://www.cs.cmu.edu/~epxing/Class/10708/
-
D: Daphne Koller : https: //zh.coursera.org/specializations/probabilistic-graphical-models
-
UGM: código Matlab para modelos gráficos não direcionados : https: //www.cs.ubc.ca/~schmidtm/Software/UGM.html
-
BNT : Bayes Net Toolbox (MATLAB): https: //code.google.com/archive/p/bnt/
-
libDAI (C ++) : https: //staff.fnwi.uva.nl/jmmooij/libDAI/
-
OpenGM : http: //hciweb2.iwr.uni-heidelberg.de/opengm/
Probabilidade, raciocínio e tomada de decisão são a verdadeira inteligência artificial.
Nome da minha conta pública do WeChat : Deep learning
- tomada de decisão inteligente avançada ID da
conta pública do WeChat: MultiAgent1024 Introdução à conta pública : pesquise principalmente aprendizado profundo, aprendizado por reforço, jogos de máquina e outros conteúdos relacionados! Ansioso por sua atenção, bem-vindo ao aprender e trocar progresso juntos!
