Modelos gráficos probabilísticos 3: Aprendizaje

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 tercero en una secuencia de tres. Después del primer curso, que se centró en la representación, y el segundo, que se centró en la inferencia, este curso aborda la cuestión del aprendizaje: cómo se puede aprender un PGM de un conjunto de ejemplos de datos. El curso discute los problemas clave de la estimación de parámetros en modelos dirigidos y no dirigidos, así como la tarea de aprendizaje de estructura para modelos dirigidos. La pista de honores (altamente recomendada) contiene dos tareas prácticas de programación, en las cuales las rutinas clave de dos algoritmos de aprendizaje comúnmente utilizados se implementan y aplican a un problema del mundo real.