Les modèles graphiques probabilistes (MGP) constituent un cadre riche pour l'encodage des distributions de probabilité dans des domaines complexes : distributions conjointes (multivariées) sur un grand nombre de variables aléatoires qui interagissent les unes avec les autres. Ces représentations se situent à l'intersection de la statistique et de l'informatique, s'appuyant sur des concepts de la théorie des probabilités, des algorithmes de graphes, de l'apprentissage automatique, etc. Elles constituent la base des méthodes de pointe dans une grande variété d'applications, telles que le diagnostic médical, la compréhension d'images, la reconnaissance vocale, le traitement du langage naturel et bien d'autres encore. Ils constituent également un outil fondamental dans la formulation de nombreux problèmes d'apprentissage automatique.

Ce cours est le deuxième d'une série de trois. Après le premier cours, qui portait sur la représentation, ce cours aborde la question de l'inférence probabiliste : comment une MGP peut être utilisée pour répondre à des questions. Bien qu'une MGP décrive généralement une distribution de très haute dimension, sa structure est conçue de manière à permettre de répondre efficacement aux questions. Le cours présente des algorithmes exacts et approximatifs pour différents types de tâches d'inférence, et discute de l'application optimale de chacun d'entre eux. Le cours d'honneur (fortement recommandé) contient deux travaux pratiques de programmation, dans lesquels les routines clés des algorithmes exacts et approximatifs les plus couramment utilisés sont implémentées et appliquées à un problème du monde réel.

Les modèles graphiques probabilistes (MGP) constituent un cadre riche pour l'encodage des distributions de probabilité dans des domaines complexes : distributions conjointes (multivariées) sur un grand nombre de variables aléatoires qui interagissent les unes avec les autres. Ces représentations se situent à l'intersection de la statistique et de l'informatique, s'appuyant sur des concepts de la théorie des probabilités, des algorithmes de graphes, de l'apprentissage automatique, etc. Elles constituent la base des méthodes de pointe dans une grande variété d'applications, telles que le diagnostic médical, la compréhension d'images, la reconnaissance vocale, le traitement du langage naturel et bien d'autres encore. Ils constituent également un outil fondamental dans la formulation de nombreux problèmes d'apprentissage automatique.

Ce cours est le troisième d'une série de trois. Après le premier cours, qui portait sur la représentation, et le deuxième, qui portait sur l'inférence, ce cours aborde la question de l'apprentissage : comment un MGP peut être appris à partir d'un ensemble de données d'exemples. Le cours aborde les problèmes clés de l'estimation des paramètres dans les modèles dirigés et non dirigés, ainsi que la tâche d'apprentissage de la structure pour les modèles dirigés. La piste des honneurs (fortement recommandée) contient deux travaux pratiques de programmation, dans lesquels les routines clés de deux algorithmes d'apprentissage couramment utilisés sont mises en œuvre et appliquées à un problème du monde réel.