---

title: 斯坦福-隨機(jī)圖模型-week1.0
tags: note
notebook: 6- 英文課程-9-Probabilistic Graphical Models 1: Representation
---

斯坦福-隨機(jī)圖模型-week1.0

什么是隨機(jī)圖模型

PGM，probabilistic Graphical Model 隨機(jī)圖模型

兩種用途：

討論隨機(jī)性的時(shí)候進(jìn)行推理：如臨床診斷

在處理圖片的時(shí)候?qū)D片進(jìn)行超像素化

模型是什么

是我們對(duì)世界的認(rèn)識(shí)的一種描述

一種模型可以產(chǎn)生多種算法，模型可以說(shuō)是一種理解的方式，而算法是一種計(jì)算的方式，或者說(shuō)實(shí)現(xiàn)的方式。

模型可以通過(guò)抽象方法和學(xué)習(xí)方法得到。

什么是隨機(jī)性 uncertainty

• 隨機(jī)性來(lái)源于對(duì)世界的不完全認(rèn)識(shí)
• 或者世界中的噪聲
• 或者我們的模型的不完整性

隨機(jī)理論

• 是一種已經(jīng)建立的完善的描述隨機(jī)性的一種理論
• 是模型的學(xué)習(xí)方法的基石

復(fù)雜系統(tǒng)

復(fù)雜系統(tǒng)中很多因素是不能夠被詳細(xì)描述的，比如在疾病診斷系統(tǒng)中，
我們很難通過(guò)直接的因果關(guān)系來(lái)描述 病情 檢查結(jié)果 疾病 臨床表象等關(guān)系
或者在圖像領(lǐng)域中，像素點(diǎn)的關(guān)系

我們只能使用隨機(jī)變量的相關(guān)性來(lái)描述，將事物聯(lián)系到一起。

圖論模型

在圖論模型中我們可以比較清晰的描述石屋尖的關(guān)系，
特別是使用貝葉斯網(wǎng)絡(luò)來(lái)描述事物間的不確定的關(guān)系。

貝葉斯網(wǎng)路

和馬爾科夫網(wǎng)絡(luò)

如圖中的貝葉斯模型和

圖模型

圖模型的優(yōu)勢(shì)

圖論模型是一個(gè)十分直觀緊湊的數(shù)據(jù)結(jié)構(gòu)
并且我們可以在上面進(jìn)行十分有效的推理

他擁有稀疏的參數(shù)，可以從數(shù)據(jù)中進(jìn)行學(xué)習(xí)

擁有很多有趣的應(yīng)用

比如：

• 醫(yī)療診斷
• 圖像處理
• 機(jī)器學(xué)習(xí)

數(shù)學(xué)基礎(chǔ)-分布

聯(lián)合分布

假設(shè)我們要描述天分，困難和分?jǐn)?shù)的關(guān)系，我們進(jìn)行如下的定義。

在上圖中，分別定義了，天分，題目的難度和成績(jī)
我們描述的學(xué)生同時(shí)擁有上述三個(gè)屬性，

然后我們的數(shù)據(jù)是這樣的：

最后一列是概率。

當(dāng)我們知道一個(gè)學(xué)生的成績(jī)是g1的時(shí)候，我們可以看到在圖中：

G一欄不是g1的都可以被劃掉了

然后將最后的概率歸一化，就可以得到每一行目前的概率了，比如這樣：

preliminaries factory 預(yù)賽因素

條件概率CPD

factor product 因子乘法

就是根據(jù)因子的關(guān)系將他們乘在一起

分子合并

就是說(shuō)如果你有一張高維度的表，現(xiàn)在你想把其中某個(gè)維度合并掉，你可以使用分子合并，將相應(yīng)的概率加在一起。

轉(zhuǎn)載于:https://www.cnblogs.com/zangzelin/p/8494134.html

總結(jié)

以上是生活随笔為你收集整理的斯坦福-随机图模型-week1.0_的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。