（三）概率图模型

AI100 2023-01-12 23:11:10

课时名称	课时知识点
（三）概率图模型

...全文

149 回复打赏收藏举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

我们依然使用“学生网络”作为例子，如图1。图1 首先给出因果推断（Causal Reasoning）的直觉解释。可以算出来即学生获得好的推荐信的概率大约是0.5. 但如果我们知道了学生的智商比较低，那么拿到好推荐信的概率就下降了：进一步，如果又同时知道了考试的难度很低，那么他拿到好的推荐信得概率又上升了，甚至还能超过最初的概率：上述这个

文章目录第三章：学习参数通过推断学习第三章：学习参数本章的所有例子基于条件独立假设（iid）构建概率图模型大致需要3个步骤：定义随机变量，即图中节点定义图的结构定义每个局部分布的数值参数设D为数据集，θ为图模型的参数，似然函数为P(D∣θ)P(D|θ)P(D∣θ)，即给定参数下观测数据集的概率，那么最大似然估计就是要找出参数θ。可以写作θ~=argmaxθP(D∣θ)\tilde...

概率图模型小结： 1. 两种模型：有向图、无向图（先不考虑混合的） 2. 三个知识点：（1）联合概率密度函数的表达（2）推理（3）学习（1）对于联合概率密度函数的表达，是根据图模型结构、贝叶斯链式法则、Hammerslery-Clifford定理、d-分离、Z-分离可以直接写出，分析随机变量之间的依赖和独立性；而在局部内可以参数化，比如指数族的概率密度函数等各类概率密度函数。（...

推断(Inference) 这个词，对于有一定机器学习基础的同学来说，一定是听说过，这也是贝叶斯方法中一个非常重要的理论性研究。那么什么是推断呢？推断说白了，就是求概率。比如，对于一个联合概率密度函数p(x)=p(x1,x2,⋯ ,xp)p(x) = p(x_1,x_2,\cdots,x_p)p(x)=p(x1,x2,⋯,xp)。我们需要求的有哪些呢？边缘概率：p(xi)=∑x1⋯∑xi−1⋯∑xi+1⋯∑xpp(x)p\left(x_{i}\right)=\sum_{x_{1}} \cdots

AI100讲师的课程社区_NO_1

1

社区成员

217

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章