斯坦福-随机图模型-week1.1_



title: 斯坦福-随机图模型-week1.1

tags: note

notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation

---

斯坦福-随机图模型-week1.1

练习

1。第 1 个问题

Factor product.

Let X,Y and Z be binary variables.

If ?1(X,Y) and ?2(Y,Z) are the factors shown below, compute the selected entries (marked by a ‘?‘) in the factor ψ(X,Y,Z)=?1(X,Y)??2(Y,Z), giving your answer according to the ordering of assignments to variables as shown below.

Separate each of the 3 entries of the factor with spaces, e.g., an answer of

0.1 0.2 0.3

means that ψ(1,1,1)=0.1, ψ(1,2,1)=0.2, and ψ(2,2,2)=0.3. Give your answers as exact decimals without any trailing zeroes.

0.16 0.45 0.6

在此输入您的回答

1

point

2。第 2 个问题

Factor reduction.

Let X,Z be binary variables, and let Y be a variable that takes on values 1, 2, or 3.

Now say we observe Y=1. If ?(X,Y,Z) is the factor shown below, compute the missing entries of the reduced factor ψ(X,Z) given that Y=1, giving your answer according to the ordering of assignments to variables as shown below.

As before, separate the 4 entries of the factor by spaces.

14 60 4 59

在此输入您的回答

第 3 个问题1

point

3。第 3 个问题

Properties of independent variables.

Assume that A and B are independent random variables. Which of the following options are always true? You may select 1 or more options.

P(B|A)=P(B)

P(A|B)=P(A)

P(A)+P(B)=1

P(A)=P(B)

1

point

4。第 4 个问题

Factor marginalization.

Let X,Z be binary variables, and let Y be a variable that takes on values 1, 2, or 3.

If ?(X,Y,Z) is the factor shown below, compute the entries of the factor

ψ(Y,Z)=∑X?(X,Y,Z),

giving your answer according to the ordering of assignments to variables as shown below.

Separate the 4 entries of the factor with spaces, and do not add any extra trailing or leading zeroes or decimal points.

在此输入您的回答

108 135 79 141

原文地址:https://www.cnblogs.com/zangzelin/p/8494626.html

时间: 2024-10-25 05:16:18

斯坦福-随机图模型-week1.1_的相关文章

斯坦福-随机图模型-week1.5

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 原文地址:https://www.cnblogs.com/zangzelin/p/8502825.html

斯坦福-随机图模型-week1.5_

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 第一层是一个分类的随机变量,描述事物的分类: 第二层是多个特征的随机变量,也就是说这是一个从分类到特征的概率图模型,我们有

斯坦福-随机图模型-week1.4_

title: 斯坦福-随机图模型-week1.4 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.4 独立性 preliminaries 初步 独立的数学描述 对于事建 a, b 如果是独立的那么使用如下的符号进行描述 独立的事件有以下的性质: 对于随机变量有相似的表示 一个例子 还是用之前的成绩问题作为例子: 我们可以看到P(I,D)的矩阵中,

斯坦福-随机图模型-week1.0_

title: 斯坦福-随机图模型-week2.0 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.0 模板模型(Template Models) 在实际的模型的建立的过程中,会出现很多的重复的情况.比如在如下的模型中: 有很多的重复的结构,比如每一个的基因型都和表现形直接相关.而且每一个基因型都和两个前代的基因型十分的相关. 或者在自然语言处理的

斯坦福-随机图模型-week2.1_

title: 斯坦福-随机图模型-week2.1 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.1 plate model 模板模型 4. Plate 模型 时序模板模型,通常还有一类情况需要模板模型:问题中有多个相同类型的不同对象,希望建立模板对这些对象进行统一考虑. 4.1 硬币采样例子 如何理解 Plate 模型的机制,以最简单的硬币采样

斯坦福-随机图模型-week2.2_

title: 斯坦福-随机图模型-week2.2 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.2 习题 1.第 1 个问题 Markov Assumption. If a dynamic system X satisfies the Markov assumption for all time t≥0, which of the follow

斯坦福-随机图模型-week3.0_

title: 斯坦福-随机图模型-week3.0 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.0 马尔科夫网络 pairwise markov networks 成对马尔科夫模型 图论模型中有有向图和无向图,对于无向图来说,运用到随机图论中就是马尔科夫模型. 在马尔科夫模型中,有一种模型十分有趣,他是成对马尔科夫模型. 我们首先看一个例子:

斯坦福-随机图模型-week3.3_

title: 斯坦福-随机图模型-week3.3 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.3 习题 1. Question 1 I-Maps. Graph G (shown below) is a perfect I-map for distribution P, i.e. I(G)=I(P). Which of the other gr

python图工具中基于随机块模型动态网络社团检测

原文链接:http://tecdat.cn/?p=7602 这是“政治博客圈和2004年美国大选”中的政治博客网络图,但是边缘束是使用随机块模型确定的(注:下图与图相同(即,布局和数据相同)). Tiago论文中的5-我只是在上面放了一个黑色背景 . 边缘配色方案与Adamic和Glance的原始论文中的相同,即每个节点对应一个博客URL,颜色反映政治取向,红色代表保守派,蓝色代表自由派.橙色边从自由派博客到保守派博客,紫色边从保守派到自由派(参见Adamic和Glance中的图1). 颜色方案