Che rapporto hanno i modelli grafici probabilistici (PGM) con l'apprendimento automatico?
Bene, date un'occhiata al libro di testo di Kevin Murphy. "Machine Learning: a Probabilistic Perspective".
E/o apri qualsiasi documento recente con qualche elemento di apprendimento non supervisionato o semi-supervisionato da NIPS o anche KDD.
Es. "Jointly Modeling Aspects, Ratings and Sentiments
for Movie Recommendation (JMARS),''
Diao, Qiu, Wu, Smola, Jiang and Wang, KDD 2014.
Quello che vedrete è che molti modelli di apprendimento automatico sono definiti con modelli grafici.
La questione fondamentale è che i modelli grafici permettono di definire la struttura dell'inferenza probabilistica sottostante il modello. Questo diventa importante per
modelli con centinaia o migliaia di variabili. È un modo di organizzare le cose, e di conseguenza dà un modo di organizzare l'inferenza che si può usare. Infatti sistemi come BUGS (da Cambridge) e Stan (da Cornell) permettono di definire enormi, ampie, utili classi di modelli usando modelli grafici, e questi sistemi virtualmente "compilano" un algoritmo per voi. Questo mostra la potenza generale del framework.
Nota altri modi di definire la struttura o tramite equazioni e tramite regole grammaticali.
Molti di noi hanno capito all'inizio degli anni '90 che questa era la strada del futuro. La comunità ci ha messo un po' a capirlo, ma alla fine degli anni '90 stava prendendo il sopravvento.
Articoli simili
- Andrew Ng: Qual è il futuro dei modelli grafici probabilistici?
- Qual è il miglior libro per imparare l'analisi tecnica e i modelli grafici?
- Cosa significa se il mio rapporto della prima marcia è 3,23? Che cos'è rispetto al mio secondo rapporto di trasmissione a 1,95?
- Quale portatile suggerisci per iniziare con l'apprendimento automatico?