Probabilistische grafische Modelle (PGMs) sind ein reichhaltiger Rahmen für die Kodierung von Wahrscheinlichkeitsverteilungen in komplexen Bereichen: gemeinsame (multivariate) Verteilungen über eine große Anzahl von Zufallsvariablen, die miteinander interagieren. Diese Darstellungen befinden sich an der Schnittstelle zwischen Statistik und Informatik und stützen sich auf Konzepte aus der Wahrscheinlichkeitstheorie, Graphenalgorithmen, maschinelles Lernen und mehr. Sie bilden die Grundlage für die modernsten Methoden in einer Vielzahl von Anwendungen, wie z.B. der medizinischen Diagnose, dem Bildverständnis, der Spracherkennung, der Verarbeitung natürlicher Sprache und vielen, vielen mehr. Sie sind auch ein grundlegendes Werkzeug bei der Formulierung vieler Probleme des maschinellen Lernens.

Dieser Kurs ist der zweite in einer Reihe von drei Kursen. Im Anschluss an den ersten Kurs, der sich auf die Darstellung konzentrierte, befasst sich dieser Kurs mit der Frage der probabilistischen Inferenz: wie eine PGM zur Beantwortung von Fragen verwendet werden kann. Auch wenn ein PGM im Allgemeinen eine sehr hochdimensionale Verteilung beschreibt, ist seine Struktur so angelegt, dass Fragen effizient beantwortet werden können. Der Kurs stellt sowohl exakte als auch approximative Algorithmen für verschiedene Arten von Inferenzaufgaben vor und diskutiert, wo diese am besten eingesetzt werden können. Der (sehr empfohlene) Honors Track enthält zwei praktische Programmieraufgaben, in denen Schlüsselroutinen der am häufigsten verwendeten exakten und approximativen Algorithmen implementiert und auf ein reales Problem angewendet werden.

Probabilistische grafische Modelle (PGMs) sind ein reichhaltiger Rahmen für die Kodierung von Wahrscheinlichkeitsverteilungen in komplexen Bereichen: gemeinsame (multivariate) Verteilungen über eine große Anzahl von Zufallsvariablen, die miteinander interagieren. Diese Darstellungen befinden sich an der Schnittstelle zwischen Statistik und Informatik und stützen sich auf Konzepte aus der Wahrscheinlichkeitstheorie, Graphenalgorithmen, maschinelles Lernen und mehr. Sie bilden die Grundlage für die modernsten Methoden in einer Vielzahl von Anwendungen, wie z.B. der medizinischen Diagnose, dem Bildverständnis, der Spracherkennung, der Verarbeitung natürlicher Sprache und vielen, vielen mehr. Sie sind auch ein grundlegendes Werkzeug bei der Formulierung vieler Probleme des maschinellen Lernens.

Dieser Kurs ist der dritte in einer Reihe von drei Kursen. Nach dem ersten Kurs, der sich auf die Repräsentation konzentrierte, und dem zweiten Kurs, der sich auf die Inferenz konzentrierte, befasst sich dieser Kurs mit der Frage des Lernens: wie ein PGM aus einem Datensatz von Beispielen gelernt werden kann. Der Kurs behandelt die Schlüsselprobleme der Parameterschätzung sowohl bei gerichteten als auch bei ungerichteten Modellen sowie die Aufgabe des Strukturlernens bei gerichteten Modellen. Der (sehr empfohlene) Honors Track enthält zwei praktische Programmieraufgaben, in denen Schlüsselroutinen von zwei häufig verwendeten Lernalgorithmen implementiert und auf ein reales Problem angewendet werden.