Probabilistic Graphical Models 1: Representation-Week1-reasoning-patterns

课程链接：https://www.coursera.org/learn/probabilistic-graphical-models/lecture/KMjHs/reasoning-patterns

原CPD如下：

计算：

p(d1|g3) = p(d1, g3) / p(g3)

p(d1, g3) = p(g3, d1) = p(g3|d1, i0) * p(d1, i0) + p(g3|d1, i1) * p(d1, i1)

　　　　　　　　　　　 = 0.7*0.4*0.7 + 0.2*0.4*0.3  约等于0.22

p(g3) =  p(g3|d1, i0) * p(d1, i0) + p(g3|d1, i1) * p(d1, i1) +

　　　　  p(g3|d0, i0) * p(d0, i0) + p(g3|d0, i1) * p(d0, i1)

　　　=0.7*0.4*0.7 + 0.2*0.4*0.3 +

　　　　0.3*0.6*0.7 + 0.02*0.68*0.3

　　  约等于0.35

p(d1|g3) =0.22／0.35 约等于0.6286

p(i1|g3) =  p(i1, g3) / p(g3)

p(i1, g3) = p(g3| i1, d0) * p(i1, d0) + p(g3| i1, d1) * p(i1, d1)

　　　　  = 0.02 * 0.3 * 0.6 + 0.2 * 0.3 * 0.4

　　　　  = 0.0276

p(i1|g3) = 0.0276/0.35 = 0.079

p(i1 | g3, d1) = p(i1, g3, d1) / p(g3, d1)

p(i1, g3, d1)= p(g3| i1, d1) * p(i1, d1) = 0.2 * 0.4 * 0.3

p(i1 | g3, d1) =0.2 * 0.4 * 0.3/0.22 = 0.1091

时间： 2024-10-24 13:39:27

Probabilistic Graphical Models 1: Representation-Week1-reasoning-patterns的相关文章

Probabilistic Graphical Models：一、Introduction and Overview（1、Overview and Motivation）

一.PGM用来做什么 1.  医学诊断:从各种病症分析病人得了什么病,该用什么手段治疗 2.  图像分割:从一张百万像素级的图片中分析每个像素点对应的是什么东西 两个共同点:(1)有非常多不同的输入变量:(2)对于算法而言,结果都是不确定的 二.PGM各代表什么 1.  Models 2.  Probabilistic (1)概率:设计model即是为了分析一些不确定的东西(uncertainty) (2)Uncertainty的来源: (3)概率在模型表达上的优势 3.  Graphical

Probabilistic Graphical Models 10-708, Spring 2017

https://www.cs.cmu.edu/~epxing/Class/10708-17/slides/lecture1-Introduction.pdf Computational and CS orientated => DK and NF's book Statistical and easier one => Jordan's book MLAPP => also a good book HWs => Theory, algorithm design and implem

Probabilistic Graphical Models：一、Introduction and Overview（2、Factors）

一.什么是factors? 类似于function,将一个自变量空间投影到新空间.这个自变量空间叫做scope. 二.例子 如概率论中的联合分布,就是将不同变量值的组合映射到一个概率,概率和为1. 三.几种操作(factor operation)的介绍 1.乘积 2.边缘化 3.缩减 四.总结(为何引入factor?) 1.对于定义高维空间的分布具有关键意义: 2.包括了概率分布的基本操作.

Probabilistic Graphical Models：二、Bayes Network Fundamentals（1、Semantics & Factorization）

一.How to construct the dependency? 1.首字母即随机变量名称 2.I->G是更加复杂的模型,但Bayes里不考虑,因为Bayes只是无环图. 3.CPD = conditional probability distribution.图中的每一个点都是一个CPD,这里5个点,就有五个CPD. 二.Chain Rule for Bayesian Neatworks 将整个Bayes网络的所有节点所构成的联合概率(Joint probability)利用链式法则(ch

2018 10-708 (CMU) Probabilistic Graphical Models {Lecture 5} [Algorithms for Exact Inference]

Not in the frontier of research, but the results are used commonly now. X_{k+1} - X_n are known, to calculate the joint probability, we have to do inference Recent research: on the approximate inference teches approx: 1) optimization-based 2) samplin

2018 10-708 (CMU) Probabilistic Graphical Models {Lecture 15} [Mean field Approximation]

p_bar(x) = p(x,e) p(x) is p(x|e) p_bar is hard to estimate, but p(x) is easy and p(x) \propotion p_bar q is easier for sampling, while we cant sample from p Occam's Razor??? 原文地址:https://www.cnblogs.com/ecoflex/p/10259391.html

2018 10-708 (CMU) Probabilistic Graphical Models {Lecture 25} [Spectral Methods]

draw a topic h and then draw independent xfrom multinomial distribution A paper can have several topics, and each topics has different proportions O is the matrix of topic word, given by the model h is the topic 原文地址:https://www.cnblogs.com/ecoflex/p

概率主题模型简介 Introduction to Probabilistic Topic Models

此文为David M. Blei所写的<Introduction to Probabilistic Topic Models>的译文,供大家参考. 摘要:概率主题模型是一系列旨在发现隐藏在大规模文档中的主题结构的算法.本文首先回顾了这一领域的主要思想,接着调研了当前的研究水平,最后展望某些有所希望的方向.从最简单的主题模型--潜在狄立克雷分配(Latent Dirichlet Allocation,LDA)出发,讨论了其与概率建模的联系,描述了用于主题发现的两种算法.主题模型日新月异,被扩展和

概率图模型（PGM，Probabilistic Graphical Model）

PGM是现代信号处理(尤其是机器学习)的重要内容. PGM通过图的方式,将多个随机变量之前的关系通过简洁的方式表现出来.因此PGM包括图论和概率论的相关内容. PGM理论研究并解决三个问题: 1)表示(如何通过图来刻画多个随机变量之间的关系)(注:这个是PGM的基础) 2)学习(如何通过已知数据来确定图的参数) (注:机器学习主要研究这个问题) 3)推断(如果根据已知图,来推断出想要的统计结论)  (注:消息传递主要研究这个问题) 表示(Representations) 原文地址:https:/