Bản mẫu:Reason and reasoning

Để hiểu được sự không chắc chắn trong các hệ thống phức tạp cần nhiều hơn là thống kê đơn giản; nó cần một cách cấu trúc để suy luận về các biến liên kết với nhau. Chương trình này cung cấp một con đường rõ ràng để hiểu cách thực hiện suy diễn - quá trình trả lời các truy vấn và dự đoán - trong khuôn khổ của Mô hình đồ họa xác suất (PGM). Bạn sẽ thay đổi cách hiểu của mình về dữ liệu bằng cách học cách tính xác suất và tìm ra những lời giải thích có thể nhất trong các hệ thống có nhiều biến tương tác. Vào cuối khóa học này, bạn sẽ có thể chọn và áp dụng các chiến lược suy luận đúng để giải quyết các vấn đề trong thế giới thực trong các lĩnh vực từ chẩn đoán y tế đến ra quyết định tự động. Bạn sẽ học được: - Hiểu được các nguyên tắc cốt lõi của suy luận chính xác trong mạng Bayes và Markov - Apply variable elimination and message-passing algorithms to compute marginal probabilities - Thực hành các kỹ thuật suy luận xấp xỉ như Markov Chain Monte Carlo (MCMC) cho dữ liệu chiều cao - Tìm hiểu suy luận biến đổi như một cách tiếp cận hiện đại để xử lý phân phối sau phức tạp - Phân tích sự trao đổi tính toán giữa các chiến lược suy luận khác nhau - Kết nối mô hình đồ họa với các khái niệm học máy hiện đại như biến tiềm ẩn và mô hình tạo sâu Chương trình bắt đầu với định nghĩa cơ bản của các bài tập suy luận và logic toán học đằng sau chúng. Sau đó bạn sẽ tiến hành qua các giải thích có cấu trúc về các thuật toán cốt lõi, chuyển từ các phương pháp tính toán chính xác sang các kỹ thuật xấp xỉ hiện đại được dùng trong công nghiệp ngày nay. Chương trình này được thiết kế cho người mới bắt đầu với lý luận xác suất, người có hiểu biết cơ bản về xác suốt và muốn làm chủ logic đằng sau suy luận tự động. Không cần phải có kinh nghiệm trước đó với mô hình đồ họa. Học cách suy luận với sự không chắc chắn qua các mô hình xác suất cấu trúc.