Modelli Grafici Probabilistici: Ragionamento e Inferenza

Comprendere l'incertezza in sistemi complessi richiede più che semplici statistiche; richiede un modo strutturato per ragionare su variabili interconnesse. Questo corso fornisce un percorso chiaro per capire come eseguire l'inferenza—il processo di rispondere a query e fare previsioni—all'interno del framework dei Modelli Grafici Probabilistici (PGM). Trasformerai la tua comprensione dei dati imparando a calcolare le probabilità e a trovare le spiegazioni più probabili in sistemi dove molte variabili interagiscono. Alla fine di questo corso, sarai in grado di selezionare e applicare le giuste strategie di inferenza per risolvere problemi del mondo reale in campi che vanno dalla diagnosi medica al processo decisionale automatizzato. What you'll learn: - Comprendere i principi fondamentali dell'inferenza esatta nelle reti Bayesian e Markov - Applicare algoritmi di eliminazione delle variabili e di passaggio di messaggi per calcolare le probabilità marginali - Praticare tecniche di inferenza approssimata come Markov Chain Monte Carlo (MCMC) per dati ad alta dimensionalità - Esplorare la variational inference come approccio moderno per gestire distribuzioni posteriori complesse - Analizzare i compromessi computazionali tra diverse strategie di inferenza - Collegare i modelli grafici a concetti moderni di machine learning come latent variables e deep generative models Il corso inizia con definizioni fondamentali dei compiti di inferenza e la logica matematica che li sottende. Progredirai poi attraverso spiegazioni scritte strutturate degli algoritmi principali, passando dai metodi di calcolo esatti alle moderne tecniche di approssimazione utilizzate oggi nell'industria. Questo corso è progettato per principianti nel ragionamento probabilistico che hanno una comprensione di base della probabilità e desiderano padroneggiare la logica dietro l'inferenza automatizzata. Non è richiesta alcuna esperienza precedente con i modelli grafici. Inizia a imparare come ragionare con l'incertezza attraverso modelli probabilistici strutturati.