---

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

斯坦福-隨機圖模型-week1.0

什么是隨機圖模型

PGM，probabilistic Graphical Model 隨機圖模型

兩種用途：

討論隨機性的時候進行推理：如臨床診斷

在處理圖片的時候將圖片進行超像素化

模型是什么

是我們對世界的認識的一種描述

一種模型可以產生多種算法，模型可以說是一種理解的方式，而算法是一種計算的方式，或者說實現的方式。

模型可以通過抽象方法和學習方法得到。

什么是隨機性 uncertainty

• 隨機性來源于對世界的不完全認識
• 或者世界中的噪聲
• 或者我們的模型的不完整性

隨機理論

• 是一種已經建立的完善的描述隨機性的一種理論
• 是模型的學習方法的基石

復雜系統

復雜系統中很多因素是不能夠被詳細描述的，比如在疾病診斷系統中，
我們很難通過直接的因果關系來描述 病情 檢查結果 疾病 臨床表象等關系
或者在圖像領域中，像素點的關系

我們只能使用隨機變量的相關性來描述，將事物聯系到一起。

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系，
特別是使用貝葉斯網絡來描述事物間的不確定的關系。

貝葉斯網路

和馬爾科夫網絡

如圖中的貝葉斯模型和

圖模型

圖模型的優勢

圖論模型是一個十分直觀緊湊的數據結構
并且我們可以在上面進行十分有效的推理

他擁有稀疏的參數，可以從數據中進行學習

擁有很多有趣的應用

比如：

• 醫療診斷
• 圖像處理
• 機器學習

數學基礎-分布

聯合分布

假設我們要描述天分，困難和分數的關系，我們進行如下的定義。

在上圖中，分別定義了，天分，題目的難度和成績
我們描述的學生同時擁有上述三個屬性，

然后我們的數據是這樣的：

最后一列是概率。

當我們知道一個學生的成績是g1的時候，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 預賽因素

條件概率CPD

factor product 因子乘法

就是根據因子的關系將他們乘在一起

分子合并

就是說如果你有一張高維度的表，現在你想把其中某個維度合并掉，你可以使用分子合并，將相應的概率加在一起。

轉載于:https://www.cnblogs.com/zangzelin/p/8494134.html

總結

以上是生活随笔為你收集整理的斯坦福-随机图模型-week1.0_的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。