[PGM] Temporal Models

学术潜规则：

概率图模型提出的意义在于将过去看似零散的topic/model以一种统一的方式串联了起来，它便于从整体上看待这些问题，而非具体解决了某个细节。

举个例子：梯度下降，并非解决神经网络收敛问题而专门提出的什么算法，其实是凸优化理论中的一部分。凸优化理论的作用就是概率图模型的贡献所在。

统计机器学习，有数学系角度的认识，也有计算机系角度的认识。

统计机器学习 - 张志华

该课程更偏向于数学系视角，所以课程中包含了大量的概率基础。但课程的top不够，但并非讲师不行，而是计算机系的学生并未系统的学习贝叶斯推断所致。

其实，“统计机器学习”就是PGM，或者说是Advanced PGM。从这个角度来讲，将高斯过程，LDA等划分到Advanced PGM是比较合理的。

Video: https://www.youtube.com/watch?v=ogs4Oj8KahQ&index=13&list=PL50E6E80E8525B59C

时间： 2024-10-13 05:55:22

[PGM] Temporal Models的相关文章

概率图模型（PGM）学习笔记（五）——模板模型

模板模型(Template Models)主要包括模板变量(TemplateVariables)和语言(Language). 模板模型可以应用于无限大的贝叶斯网络: 模板变量是被多次复用的变量: 如:地点(时间).基因型(人物).标签(像素).难度(课程),等等. 语言用来描述模板变量如何从模板中继承依赖关系. 语言有很多种,各种语言都有各种应用条件,从而构造出大量非常有用的语言. 模板模型可以用紧凑的方式描述 1.时序上的重复(如动态贝叶斯网络Dynamic Bayesian Networks

4、概率图模型：Template Modles

本章总结几个模板模型:动态贝叶斯.隐马尔科夫和Plate模型 1 OverView of Template Models 为了达到不用每一都对问题建立模型,而是每次都对某一类问题有一个统一的模型进行处理,而提出了模板模型.模板模型(template model)编码了具有重复结构和共享参数的模型.从而使图模型的描述方式更加的紧凑,可以应用于无限大的贝叶斯网络.主要包括模板变量(Template variables)和语言(language). 模板变量(Template variables)是图

A Statistical View of Deep Learning (IV): Recurrent Nets and Dynamical Systems

A Statistical View of Deep Learning (IV): Recurrent Nets and Dynamical Systems Recurrent neural networks (RNNs) are now established as one of the key tools in the machine learning toolbox for handling large-scale sequence data. The ability to specify

stanford推荐阅读目录

stanford推荐阅读目录 stanford deep learning 网站上推荐的阅读目录: UFLDL Recommended Readings If you're learning about UFLDL (Unsupervised Feature Learning and Deep Learning), here is a list of papers to consider reading. We're assuming you're already familiar with b

{ICIP2014}{收录论文列表}

This article come from HEREARS-L1: Learning Tuesday 10:30–12:30; Oral Session; Room: Leonard de Vinci 10:30 ARS-L1.1—GROUP STRUCTURED DIRTY DICTIONARY LEARNING FOR CLASSIFICATION Yuanming Suo, Minh Dao, Trac Tran, Johns Hopkins University, USA; Hojj

Machine Learning Basic Knowledge

常用的数据挖掘&机器学习知识(点) Basis(基础): MSE(MeanSquare Error 均方误差),LMS(Least MeanSquare 最小均方),LSM(Least Square Methods 最小二乘法),MLE(Maximum LikelihoodEstimation最大似然估计),QP(QuadraticProgramming 二次规划), CP(ConditionalProbability条件概率),JP(Joint Probability 联合概率),MP(Mar

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

PGM学习之六从有向无环图（DAG）到贝叶斯网络（Bayesian Networks）

本文的目的是记录一些在学习贝叶斯网络(Bayesian Networks)过程中遇到的基本问题.主要包括有向无环图(DAG),I-Maps,分解(Factorization),有向分割(d-Separation),最小I-Maps(Minimal I-Maps)等.主要参考Nir Friedman的相关PPT. 1 概率分布(Probability Distributions) 令X1,...,Xn表示随机变量:令P是X1,...,Xn的联合分布(joint distribution).如果每

PGM学习之四 Factor,Reasoning

通过上一篇文章的介绍,我们已经基本了解了:Factor是组成PGM模型的基本要素:Factor之间的运算和推理是构建高维复杂PGM模型的基础.那么接下来,我们将重点理解,Factor之间的推理(Reasoning Patterns).Factor之间的推理分为以下几类: 1. Causal Reasoning , 因果推理: 2. Evidential Reasoning,证据推理: 3. Intercausal Reasoning 本文将详细描述上述三种推理模式. 一 Casual Reaso