Asas Model Graf Berkemungkinan (Probabilistic Graphical Models)

Pemodelan ketidakpastian adalah salah satu cabaran terbesar dalam sains data moden dan kecerdasan buatan (AI). Probabilistic Graphical Models (PGMs) menyediakan rangka kerja yang berkuasa untuk mewakili hubungan kompleks antara pemboleh ubah menggunakan struktur graf yang intuitif. Dalam kursus berasaskan teks ini, anda akan beralih daripada konsep kebarangkalian asas kepada mereka bentuk perwakilan berstruktur bagi sistem berbilang pemboleh ubah. Dengan mempelajari cara mengekod andaian kebebasan bersyarat (conditional independence), anda akan dapat membina model yang teguh untuk membuat keputusan, diagnostik, dan analisis ramalan. Apa yang anda akan pelajari: - Memahami teori kebarangkalian asas, konsep graf, dan kebebasan bersyarat (conditional independence). - Membina model graf berarah menggunakan Bayesian networks untuk mewakili hubungan sebab-akibat. - Mengkonfigurasi model graf tak berarah menggunakan Markov networks untuk interaksi simetri. - Menganalisis sifat kebebasan tempatan dan global yang dikodkan dalam struktur graf. - Meneroka bagaimana konsep perwakilan berstruktur menyokong AI generatif moden dan rangka kerja pengaturcaraan kebarangkalian (probabilistic programming). Kursus ini bermula dengan terminologi penting dan definisi kebarangkalian asas sebelum membimbing anda melalui mekanik graf berarah dan tak berarah. Anda akan membaca penjelasan yang jelas, meneliti formulasi matematik berstruktur, dan mengkaji perwakilan praktikal bagi taburan kompleks. Kursus ini direka untuk pemula dalam pembelajaran mesin (machine learning) dan sains data yang ingin memahami aspek struktur pemodelan kebarangkalian, tanpa memerlukan latar belakang lanjutan dalam model graf. Mula membaca hari ini untuk menguasai asas struktur penaakulan kebarangkalian.