In diesem Modul wird der einfachste Algorithmus für die exakte Inferenz in grafischen Modellen vorgestellt: die Variableneliminierung. Wir beschreiben den Algorithmus und analysieren seine Komplexität im Hinblick auf die Eigenschaften der Graphenstruktur.

Dieses Modul beschreibt eine alternative Sichtweise der exakten Inferenz in grafischen Modellen: die der Nachrichtenübermittlung zwischen Clustern, von denen jedes einen Faktor über eine Teilmenge von Variablen kodiert. Dieser Rahmen bietet eine Grundlage für eine Vielzahl von exakten und approximativen Inferenzalgorithmen. Wir konzentrieren uns hier auf den grundlegenden Rahmen und auf seine Instanziierung im exakten Fall der Cliquenbaumpropagation. Eine optionale Lektion beschreibt den LBP-Algorithmus (loopy belief propagation) und seine Eigenschaften.

Dieses Modul beschreibt Algorithmen zur Ermittlung der wahrscheinlichsten Zuordnung für eine als PGM kodierte Verteilung (eine Aufgabe, die als MAP-Inferenz bekannt ist). Wir beschreiben Algorithmen zur Nachrichtenübermittlung, die den Algorithmen zur Berechnung bedingter Wahrscheinlichkeiten sehr ähnlich sind, mit der Ausnahme, dass wir uns auch überlegen müssen, wie wir die Ergebnisse dekodieren, um eine einzelne Zuordnung zu konstruieren. In einem optionalen Modul beschreiben wir einige andere Algorithmen, die ganz andere Techniken verwenden können, indem sie die kombinatorische Optimierung der MAP-Aufgabe ausnutzen.

In diesem Modul besprechen wir eine Klasse von Algorithmen, die Zufallsstichproben verwenden, um ungefähre Antworten auf bedingte Wahrscheinlichkeitsabfragen zu liefern. Am häufigsten wird die Klasse der Markov-Chain-Monte-Carlo-Algorithmen (MCMC) verwendet, zu denen der einfache Gibbs-Sampling-Algorithmus sowie eine Familie von Methoden gehören, die als Metropolis-Hastings bekannt sind.

In dieser kurzen Lektion erörtern wir die Komplexität der Anwendung einiger der exakten oder approximativen Inferenzalgorithmen, die wir in diesem Kurs gelernt haben, auf dynamische Bayes'sche Netzwerke.

Dieses Modul fasst einige der Themen zusammen, die wir in diesem Kurs behandelt haben, und diskutiert Kompromisse zwischen verschiedenen Algorithmen. Es enthält auch die Abschlussprüfung des Kurses.