Apprendere i Modelli Grafici Probabilistici dai Dati

Estrarre modelli significativi da dati complessi richiede più che semplici statistiche. Questo corso fornisce un percorso chiaro per comprendere come i Probabilistic Graphical Models (PGMs) possano essere appresi direttamente dai dati per rappresentare relazioni intricate tra variabili. Acquisirai le competenze per trasformare set di dati grezzi in rappresentazioni probabilistiche strutturate che possono essere utilizzate per la previsione e il processo decisionale in campi che vanno dalla medicina alla robotica. Cosa imparerai: - Comprendere i principi fondamentali della stima dei parametri nelle reti Bayesian e Markov. - Applicare le tecniche di Maximum Likelihood Estimation e Bayesian per apprendere da set di dati completi e incompleti. - Scoprire la struttura dei modelli grafici utilizzando algoritmi basati su punteggio e basati su vincoli. - Imparare a gestire le variabili latenti utilizzando approcci moderni come l'algoritmo Expectation-Maximization. - Esercitarsi a valutare la qualità e la complessità del modello per evitare l'overfitting in domini ad alta dimensionalità. Il corso inizia con la terminologia essenziale e gli obiettivi principali del compito di apprendimento, quindi progredisce attraverso la stima dei parametri, l'apprendimento della struttura e la gestione dei dati nascosti. È progettato per i principianti interessati al machine learning e alla data science, non richiedendo alcuna conoscenza pregressa nei modelli grafici. Inizia a costruire modelli più intelligenti imparando la struttura dell'incertezza oggi.