概率图模型
文章平均质量分 94
本专栏从基础知识开始介绍概率图形模型,最后从First Principle出发介绍变分自动编码器。变分自动编码器是一个重要的概率模型,也是深度学习中最具影响力的前沿成果之一。
JarodYv
十年C,十年Python,深耕算法和机器学习领域,Python全能开发工程师。
近两年专注于AIGC和大模型应用开发。
热爱数学,分享内容偏硬核烧脑,但绝对干货,绝不雷同。
展开
-
【07】概率图推断之信念传播
变量消除算法有个致命的缺陷:每次查询都要要从头开始重新启动算法。这样会非常浪费资源,并且在计算上很麻烦。这个问题也很容易避免。通过在第一次运行变量消除算法后缓存这些因子,我们可以轻松地计算新的边缘概率查询,基本上不需要额外的成本。实现上面的功能有2中算法:信念传播(BP)和全联结树算法,本文先介绍信念传播算法。原创 2023-01-07 15:29:52 · 1018 阅读 · 0 评论 -
【06】概率图推断之变量消除算法
事实证明,推理是一项颇具挑战的任务。对于很多我们感兴趣的概率,要准确回答这些问题都是NP难题。至关重要的是,推理是否容易处理取决于描述概率的图的结构。尽管有些问题很难解决,我们仍然可以通过近似推理方法获得有用的答案。原创 2022-12-28 13:38:23 · 910 阅读 · 0 评论 -
【05】概率图表示之马尔可夫随机场
马尔可夫随机场可以简洁地表示有向模型无法表示的独立性假设,是贝叶斯网络和有向图模型的有效补充。原创 2022-12-27 15:58:23 · 1724 阅读 · 0 评论 -
【01】什么是概率图模型?
概率图模型是机器学习的一个分支,重点研究如何利用概率分布描述真实世界并对其做出有价值的预测。本教程对图模型的讨论将分为三个主要部分:表示(如何描述模型)、推理(如何向模型提问)和学习(如何用现实数据训练模型)。这三个主题相辅相成,从零开始一步一步带你深入理解最前沿的因果AI理论。原创 2022-11-03 15:43:52 · 585 阅读 · 0 评论 -
【02】概率图模型在真实世界中的应用
概率图模型有许多不同的实际应用。 为了激起大家对概率图模型的兴趣,也为了让大家能够对概率图模型有感性的认知,本章会分享概率图模型的诸多实际应用案例。原创 2022-11-03 16:03:24 · 912 阅读 · 0 评论 -
【03】概率论基础
因为概率图模型会涉及大量概率论的知识,所以在开始概率图模型之前,首先让我们回顾一下概率论的一些概念和基础知识。原创 2022-11-04 12:10:54 · 454 阅读 · 0 评论 -
【附录01】概率基本性质与法则的推导证明
从概率论三公理出发,推导证明概率基本法则。原创 2022-11-04 12:58:19 · 613 阅读 · 0 评论 -
【04】概率图表示之贝叶斯网络
有向图模型(又称贝叶斯网络)是一类概率分布,它让有向图可以自然地描述紧凑参数化。形式地讲,贝叶斯网络是一个有向图G = (V,E)。原创 2022-11-06 11:33:09 · 758 阅读 · 0 评论