تعلم النماذج الرسومية الاحتمالية من البيانات

يتطلب استخلاص الأنماط ذات المعنى من البيانات المعقدة أكثر من مجرد إحصائيات بسيطة. يقدم هذا المساق مسارًا واضحًا لفهم كيفية تعلم النماذج الرسومية الاحتمالية (PGMs) مباشرة من البيانات لتمثيل العلاقات المعقدة بين المتغيرات. ستكتسب المهارات اللازمة لتحويل مجموعات البيانات الأولية إلى تمثيلات احتمالية منظمة يمكن استخدامها للتنبؤ واتخاذ القرارات في مجالات تتراوح من الطب إلى الروبوتات. ما ستتعلمه: - فهم المبادئ الأساسية لتقدير المعلمات في شبكات Bayesian و Markov. - تطبيق تقنيات Maximum Likelihood Estimation و Bayesian للتعلم من مجموعات البيانات الكاملة وغير الكاملة. - اكتشاف بنية النماذج الرسومية باستخدام الخوارزميات القائمة على النقاط (score-based) والقائمة على القيود (constraint-based). - تعلم كيفية التعامل مع المتغيرات الكامنة باستخدام الأساليب الحديثة مثل خوارزمية Expectation-Maximization. - التدرب على تقييم جودة النموذج وتعقيده لتجنب الإفراط في التخصيص (overfitting) في المجالات عالية الأبعاد. يبدأ المساق بالمصطلحات الأساسية والأهداف الرئيسية لمهمة التعلم، ثم يتقدم عبر تقدير المعلمات، وتعلم البنية، والتعامل مع البيانات المخفية. وهو مصمم للمبتدئين المهتمين بالتعلم الآلي وعلوم البيانات، ولا يتطلب أي خلفية سابقة في النماذج الرسومية. ابدأ في بناء نماذج أكثر ذكاءً من خلال تعلم بنية عدم اليقين اليوم.