Wszystkie wydają się reprezentować zmienne losowe przez węzły i (nie) zależność poprzez (ewentualnie skierowane) krawędzie. Szczególnie interesuje mnie punkt widzenia bayesianina.
34
Wszystkie wydają się reprezentować zmienne losowe przez węzły i (nie) zależność poprzez (ewentualnie skierowane) krawędzie. Szczególnie interesuje mnie punkt widzenia bayesianina.
Sieć bayesowska jest rodzajem modelu graficznego. Innym „dużym” typem modelu graficznego jest pole losowe Markowa (MRF). Modele graficzne służą do wnioskowania, szacowania i ogólnie do modelowania świata.
Termin model hierarchiczny oznacza wiele rzeczy w różnych obszarach.
Chociaż sieci neuronowe są wyposażone w „wykresy”, na ogół nie kodują informacji o zależnościach, a węzły nie reprezentują zmiennych losowych. NN są różne, ponieważ są dyskryminujące. Popularne sieci neuronowe są wykorzystywane do klasyfikacji i regresji.
Kevin Murphy ma doskonałe wprowadzenie do tych tematów dostępnych tutaj .
Jak powiedział @carlosdc , sieć bayesowska jest rodzajem modelu graficznego (tj. Ukierunkowanego wykresu acyklicznego (DAG), którego struktura określa zestaw warunkowych właściwości niezależności). Hierarchiczne modele Bayesa mogą być również reprezentowane jako DAG; Hierarchiczni naiwni klasyfikatorzy Bayesa dla niepewnych danych , autorstwa Bellazzi i in., Stanowią dobre wprowadzenie do klasyfikacji za pomocą takich modeli. Jeśli chodzi o modele hierarchiczne, myślę, że wiele artykułów można pobrać, przeglądając za pomocą odpowiednich słów kluczowych; na przykład znalazłem ten:
Michael I. Jordan ma fajny samouczek na temat modeli graficznych , z różnymi aplikacjami opartymi na silni Hidden Markov model w bioinformatyce lub przetwarzaniu języka naturalnego. Warto też przeczytać jego książkę, Learning in Graphical Models (MIT Press, 1998) (zastosowanie GM do modelowania strukturalnego za pomocą kodu BUGS , str. 575-598)
źródło
Sieci neuronowe nie wymagają priorów, ale każdy ukryty węzeł (neurony) sieci neuronowej można uznać za CPD - Noisy OR / AND CPD dla węzła liniowego - Sigmoid CPD dla węzła logistycznego
Sieci neuronowe można więc postrzegać jako wiele warstw ukrytych węzłów, z których każdy ma CPD liniowy / sigmoidalny
Klasa Koller na Coursera LUB jej podręcznik powinien być dobrym źródłem informacji o typach CPD.
źródło