Modelos gráficos probabilísticos 2: inferencia

Descripción

Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad sobre dominios complejos: distribuciones conjuntas (multivariadas) sobre grandes cantidades de variables aleatorias que interactúan entre sí. Estas representaciones se encuentran en la intersección de las estadísticas y la informática, y se basan en conceptos de la teoría de la probabilidad, los algoritmos de gráficos, el aprendizaje automático y más. Son la base de los métodos más avanzados en una amplia variedad de aplicaciones, como diagnóstico médico, comprensión de imágenes, reconocimiento de voz, procesamiento del lenguaje natural y muchos, muchos más. También son una herramienta fundamental para formular muchos problemas de aprendizaje automático.

Este curso es el segundo en una secuencia de tres. Después del primer curso, que se centró en la representación, este curso aborda la cuestión de la inferencia probabilística: cómo se puede utilizar un PGM para responder preguntas. Aunque una PGM generalmente describe una distribución dimensional muy alta, su estructura está diseñada para permitir que las preguntas sean respondidas de manera eficiente. El curso presenta algoritmos exactos y aproximados para diferentes tipos de tareas de inferencia, y discute dónde se podría aplicar mejor. La pista de honores (altamente recomendada) contiene dos tareas de programación práctica, en las cuales las rutinas clave de los algoritmos exactos y aproximados más comúnmente utilizados se implementan y aplican a un problema del mundo real.