การเรียนรู้แบบจำลองกราฟเชิงความน่าจะเป็นจากข้อมูล

การดึงรูปแบบที่มีความหมายจากข้อมูลที่ซับซ้อนนั้นต้องการมากกว่าสถิติพื้นฐาน หลักสูตรนี้นำเสนอแนวทางที่ชัดเจนในการทำความเข้าใจว่าแบบจำลองกราฟเชิงความน่าจะเป็น (PGMs) สามารถเรียนรู้ได้โดยตรงจากข้อมูลเพื่อแสดงความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรได้อย่างไร คุณจะได้รับทักษะในการแปลงชุดข้อมูลดิบให้เป็นโครงสร้างเชิงความน่าจะเป็นที่สามารถนำไปใช้ในการคาดการณ์และการตัดสินใจในสาขาต่างๆ ตั้งแต่การแพทย์ไปจนถึงหุ่นยนต์ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจหลักการพื้นฐานของการประมาณค่าพารามิเตอร์ในเครือข่าย Bayesian และ Markov - ใช้ Maximum Likelihood Estimation และเทคนิค Bayesian เพื่อเรียนรู้จากชุดข้อมูลที่สมบูรณ์และไม่สมบูรณ์ - ค้นพบโครงสร้างของแบบจำลองกราฟโดยใช้อัลกอริทึมแบบอิงคะแนนและแบบอิงข้อจำกัด - เรียนรู้วิธีจัดการกับตัวแปรแฝงโดยใช้วิธีการสมัยใหม่ เช่น อัลกอริทึม Expectation-Maximization - ฝึกฝนการประเมินคุณภาพและความซับซ้อนของแบบจำลองเพื่อหลีกเลี่ยงการเรียนรู้เกินในโดเมนที่มีมิติสูง หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็นและเป้าหมายหลักของงานการเรียนรู้ จากนั้นจึงดำเนินไปสู่การประมาณค่าพารามิเตอร์ การเรียนรู้โครงสร้าง และการจัดการข้อมูลที่ซ่อนอยู่ ออกแบบมาสำหรับผู้เริ่มต้นที่สนใจใน machine learning และ data science โดยไม่จำเป็นต้องมีพื้นฐานเกี่ยวกับแบบจำลองกราฟมาก่อน เริ่มสร้างแบบจำลองที่ชาญฉลาดยิ่งขึ้นด้วยการเรียนรู้โครงสร้างของความไม่แน่นอนตั้งแต่วันนี้