Графовая вероятностная модель: различия между версиями
| [непроверенная версия] | [непроверенная версия] |
Нет описания правки |
Нет описания правки |
||
| Строка 18: | Строка 18: | ||
==Приложения== |
==Приложения== |
||
Графические модели используются в задачах [[извлечение информации| извлечения информации]], [[распознавание речи|распознавания речи]], [[компьютерное зрение|компьютерного зрения]], декодирования [[код с малой плотностью проверок на чётность| кодов с малой плотностью проверок на чётность]], обнаружения генов и диагностики болезней. |
Графические модели используются в задачах [[извлечение информации| извлечения информации]], [[распознавание речи|распознавания речи]], [[компьютерное зрение|компьютерного зрения]], декодирования [[код с малой плотностью проверок на чётность| кодов с малой плотностью проверок на чётность]], обнаружения генов и диагностики болезней. |
||
==Ссылки== |
|||
{{заготовка}} |
|||
* {{cite book |author=Jensen, Finn |title=An introduction to Bayesian networks |publisher=Springer |location=Berlin |year=1996 |pages= |isbn=0-387-91502-8 |oclc= |doi= |accessdate=}} |
|||
* {{cite book |
|||
|author=Cowell, Robert G. |
|||
|coauthors=[[Philip Dawid|Dawid, A. Philip]]; Lauritzen, Steffen L.; [[David Spiegelhalter|Spiegelhalter, David J.]] |
|||
|title=Probabilistic networks and expert systems |publisher=Springer |location=Berlin |year=1999 |pages= |isbn=0-387-98767-3 |oclc= |doi= |accessdate= |id={{MR|1697175}} |ref=cowell }} A more advanced and statistically oriented book |
|||
* {{Cite book |
|||
|first=Judea |last=Pearl |authorlink = Judea Pearl |
|||
| year = 1988 |
|||
| title = Probabilistic Reasoning in Intelligent Systems |
|||
| edition = 2nd revised |
|||
| location = San Mateo, CA |
|||
| publisher = [[Morgan Kaufmann]] |
|||
| id = {{MR|0965765}} |
|||
|isbn = 1558604790 |
|||
}} A computational reasoning approach, where the relationships between graphs and probabilities were formally introduced. |
|||
* {{cite book |
|||
| last = Bishop |
|||
| first = Christopher M. |
|||
| authorlink = Christopher Bishop |
|||
| title = Pattern Recognition and Machine Learning |
|||
| publisher = Springer |
|||
| date = 2006 |
|||
| location = |
|||
| url = http://research.microsoft.com/~cmbishop/PRML/ |
|||
| isbn=0-387-31073-8 |
|||
| chapter= Chapter 8. Graphical Models |
|||
| chapterurl=http://research.microsoft.com/~cmbishop/PRML/Bishop-PRML-sample.pdf |
|||
| pages=359–422 |
|||
| id={{MR|2247587}} |
|||
}} |
|||
*[http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html A Brief Introduction to Graphical Models and Bayesian Networks] |
|||
*[ftp://ftp.research.microsoft.com/pub/tr/tr-95-06.pdf Heckerman's Bayes Net Learning Tutorial] |
|||
* {{Cite journal |
|||
| author = Edoardo M. Airoldi |
|||
| title = Getting Started in Probabilistic Graphical Models |
|||
| journal = [[PLoS Computational Biology]] |
|||
| volume = 3 |
|||
| issue = 12 |
|||
| pages = e252 |
|||
| year = 2007 |
|||
| doi = 10.1371/journal.pcbi.0030252 |
|||
}} |
|||
[[en:Graphical model]] |
[[en:Graphical model]] |
||
Версия от 21:29, 18 мая 2010
Графическая модель — это вероятностная модель, в которой в виде графа представлены зависимости между случайными величинами. Вершины графа соответствуют случайным переменным, а рёбра — непосредственным вероятностным взаимосвязям между случайными величинами. Графические модели широко используются в теории вероятностей, статистике (особенно в Байесовской статистике), а также в машинном обучении.
Виды графических моделей
Байесовская сеть
Байесовская сеть представляет случай графической модели с ориентированным ациклическим графом. В данном случае рёбра обозначают причинно-следственные связи между событиями, соответствующими случайным величинам.
Важный частный случай байесовской сети - скрытая марковская модель
Марковские случайные поля
Марковские случайные поля задаются неориентированным графом. В отличие от байесовских сетей, они могут содержать циклы. С помощью марковских случайных полей,можно удобно представлять изображения, используя сеточную структуру, что позволяет решать, например, задачу фильтрации шума на изображении.
Другие виды графических моделей
- фактор-граф - неориентированный двудольный, соединяющий граф. Каждый фактор представляет вероятностное распределения для всех переменныхЖ которые он связывает. Графы переводят в форму фактор-графа, например, для возможности использования алгоритма belief propagation.
- цепной граф - это граф, который может содержать как направленные, так и ненаправленные рёбра, но без ориентированных циклов (то есть если мы начнём движение в какой-то вершине и будем двигаться по графу только по направленным рёбрам, то мы не сможем вернуться в ту вершину, из которой мы начали путь). И ориентированные и неориентированные графы являются частным случаем цепных графов, которые могут служить обобщением Байесовских и Марковских сетей
Приложения
Графические модели используются в задачах извлечения информации, распознавания речи, компьютерного зрения, декодирования кодов с малой плотностью проверок на чётность, обнаружения генов и диагностики болезней.
Ссылки
- Jensen, Finn. An introduction to Bayesian networks. — Berlin : Springer, 1996. — ISBN 0-387-91502-8.
- Cowell, Robert G. Probabilistic networks and expert systems. — Berlin : Springer, 1999. — ISBN MR: 1697175. A more advanced and statistically oriented book
- Pearl, Judea. Probabilistic Reasoning in Intelligent Systems. — 2nd revised. — San Mateo, CA : Morgan Kaufmann, 1988. — ISBN MR: 0965765. A computational reasoning approach, where the relationships between graphs and probabilities were formally introduced.
- Bishop, Christopher M. Chapter 8. Graphical Models // Pattern Recognition and Machine Learning. — Springer, 2006. — P. 359–422. — ISBN MR: 2247587.
- A Brief Introduction to Graphical Models and Bayesian Networks
- Heckerman's Bayes Net Learning Tutorial
- Edoardo M. Airoldi (2007). "Getting Started in Probabilistic Graphical Models". PLoS Computational Biology. 3 (12): e252. doi:10.1371/journal.pcbi.0030252.
{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)