斯坦福-随机图模型-week1.0_

Posted 邻泽居

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了斯坦福-随机图模型-week1.0_相关的知识,希望对你有一定的参考价值。


title: 斯坦福-随机图模型-week1.0
tags: note
notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation

斯坦福-随机图模型-week1.0

什么是随机图模型

PGM,probabilistic Graphical Model 随机图模型

两种用途:

  1. 讨论随机性的时候进行推理:如临床诊断
  2. 在处理图片的时候将图片进行超像素化

模型是什么

是我们对世界的认识的一种描述

一种模型可以产生多种算法,模型可以说是一种理解的方式,而算法是一种计算的方式,或者说实现的方式。

模型可以通过抽象方法和学习方法得到。

什么是随机性 uncertainty

  • 随机性来源于对世界的不完全认识
  • 或者世界中的噪声
  • 或者我们的模型的不完整性

随机理论

  • 是一种已经建立的完善的描述随机性的一种理论
  • 是模型的学习方法的基石

复杂系统

复杂系统中很多因素是不能够被详细描述的,比如在疾病诊断系统中,
我们很难通过直接的因果关系来描述 病情 检查结果 疾病 临床表象等关系
或者在图像领域中,像素点的关系

我们只能使用随机变量的相关性来描述,将事物联系到一起。

图论模型

在图论模型中我们可以比较清晰的描述石屋尖的关系,
特别是使用贝叶斯网络来描述事物间的不确定的关系。


贝叶斯网路


和马尔科夫网络

如图中的贝叶斯模型和

图模型

图模型的优势

图论模型是一个十分直观紧凑的数据结构
并且我们可以在上面进行十分有效的推理

他拥有稀疏的参数,可以从数据中进行学习

拥有很多有趣的应用

比如:

  • 医疗诊断
  • 图像处理
  • 机器学习

数学基础-分布

联合分布

假设我们要描述天分,困难和分数的关系,我们进行如下的定义。

在上图中,分别定义了,天分,题目的难度和成绩
我们描述的学生同时拥有上述三个属性,

然后我们的数据是这样的:

最后一列是概率。

当我们知道一个学生的成绩是g1的时候,我们可以看到在图中:

G一栏不是g1的都可以被划掉了

然后将最后的概率归一化,就可以得到每一行目前的概率了,比如这样:

preliminaries factory 预赛因素

条件概率CPD

factor product 因子乘法

就是根据因子的关系将他们乘在一起

分子合并

就是说如果你有一张高维度的表,现在你想把其中某个维度合并掉,你可以使用分子合并,将相应的概率加在一起。

以上是关于斯坦福-随机图模型-week1.0_的主要内容,如果未能解决你的问题,请参考以下文章

斯坦福-随机图模型-week3.0_

斯坦福-随机图模型-week1.5_

斯坦福-随机图模型-week2.1_

斯坦福-随机图模型-week1.7_

斯坦福-随机图模型-week1.6_

斯坦福-随机图模型-week1.3_