概率论中的一些概念
- 概率
- 随机变量
- 分布
- 条件概率
- 链式法则
- 贝叶斯公式
- 主观概率:先验概率,后验概率
- 边际分布
- 联合分布
- 独立性
- 条件独立性
-
概率推断涉及的三个问题
- 模型优化——给定数据集,模型的最优参数是什么
- 模型应用——给定模型,观测到数据的概率是多少
- 模型选取——模型是否和问题相适配
有向图模型
贝叶斯网络为有向无环图,其节点代表随机变量,边代表依赖关系,每个节点都有一个条件概率分布:
利用链式法则可以紧致地、模块化地表示概率联合分布:
P(X1,X2,…,XN)=ΠiP(Xi∣ParG(Xi))其中,ParG(X)代表X在图G中的父节点。咱们称上式为联合分布的因子分解。
对于上图,有
P(Q,C,L,N)=P(Q)P(L)P(C∣Q,L)P(N∣C,L)
无向图模型
结构学习
参数学习
基于图模型的推断
近似推断方法