机器学习与因果推断
David Barber; Book 【贝叶斯网络之父Judea Pearl：新因果科学与数据科学、人工智能的思考】 最近读了洪永淼教授和汪寿阳教授的论文--《大数据、机器学习与统计学：挑战与机遇》 讲座视频：https ...
原文：机器学习因果推理
人工智能先驱 贝叶斯网络之父 美国计算机科学家 Judea Pearl 在最近的一篇论文中解释了基于数据统计的机器学习系统的一些局限性。要理解 为什么 ，并回答 如果 会怎样 之类的问题，我们需要某种因果模型。在社会科学领域，尤其是流行病学中，一种名为 结构因果模型 SCM 的革命性数学框架已经被广泛采用。Pearl 介绍了这种模型可以处理的七个任务，虽然这些任务对于关联机器学习系统来说有些遥不可 ...
2020-11-27 13:29 0 1355 推荐指数：
相关推荐
机器学习 —— 概率图模型（推理：团树算法）
在之前的消息传递算法中，谈到了聚类图模型的一些性质。其中就有消息不能形成闭环，否则会导致“假消息传到最后我自己都信了”。为了解决这种问题，引入了一种称为团树（clique tree)的数据结构，树 ...
机器学习 —— 概率图模型（推理：MAP）
MAP 是最大后验概率的缩写。后验概率指的是当有一定观测结果的情况下，对其他随机变量进行推理。假设随机变量的集合为X ，观察到的变量为 e， W = X-e , AP = P(W|e). 后验概率和联合概率是不同的两个概念。事实上，后验概率更接近推理本身的“意义”，并且被越来越多的用于诊断系统 ...
机器学习 —— 概率图模型（推理：决策）
Koller 教授把决策作为一种单独的模块进行讲解，但我认为，决策和推理本质上是一样的，都是在假设已知CPD或者势函数的情况下对模型给出结论。 1、决策==逐利 决策的基本思想很intuitive，并且非常有用。在赌博行为中，最后获得的钱与硬币的正反，赌注的大小有关。硬币的正反显然是 ...
机器学习 —— 概率图模型（推理：采样算法）
基于采样的推理算法利用的思想是 概率 = 大样本下频率。故在获得图模型以及CPD的基础上，通过设计采样算法模拟事件发生过程，即可获得一系列事件（联合概率质量函数）的频率，从而达到inference的目的。 1、采样的做法 使用采样算法对概率图模型进行随机变量推理的前提是已经获得CPD ...
机器学习 —— 概率图模型（推理：变量消除）
概率图的一个重要作用是进行推理，针对某个随机变量，告诉我们它到底有没有可能，有多大可能发生。之前在representation相关的内容中，我们更多的关心如何利用概率图减少联合分布的计算量。inference相关的章节就是要介绍如何从联合概率中获得单个随机变量的概率。 1.链状变量消除 ...
机器学习&数据挖掘笔记_21（PGM练习五：图模型的近似推理）
前言： 这次练习完成的是图模型的近似推理，参考的内容是coursera课程：Probabilistic Graphical Models . 上次实验PGM练习四：图模型的精确推理 中介绍的是图模型的精确推理，但在大多数graph上，其精确推理是NP-hard的，所以有 ...
机器学习 —— 概率图模型（推理：消息传递算法）
概率图模型G(V,E)由节点V和边E构成。在之前马尔科夫模型相关的博客中，我谈到马尔科夫模型的本质是当两个人交流后，其意见（两个随机变量）同意0与不同意1的概率组合。而势函数表达的是两个意见相同或 ...