Вероятностные графовые модели. Принципы и приложения

Description

Пер. с англ. А.В. Снастина. В настоящее время вероятностные графовые модели широко распространены как мощная и вполне сформировавшаяся методика для выполнения умозаключений и выводов в условиях неопределенности. В отличие от некоторых узкоспециализированных методик, применявшихся в ранних экспертных системах, вероятностные графовые модели основаны на строгих математических принципах теории графов и теории вероятностей. Эта книга на современном уровне охватывает более широкий диапазон вероятностных графовых моделей, чем другие недавно опубликованные материалы в данной области: разнообразные классификаторы, скрытые марковские модели, марковские случайные поля, байесовские сети и их динамические, временные и причинно-следственные варианты, реляционные вероятностные графовые модели, графы решений и марковский процесс принятия решений. В книге представлены эти вероятностные графовые модели и соответствующие методы логического вывода и обучения в ясном и доступном стиле. Автор делится своим богатым опытом, накопленным в процессе активной практической работы в области использования вероятностных графовых моделей, и демонстрирует примеры их применения в разнообразных областях реальной деятельности: от биоинформатики до задач наблюдения за загрязнением воздуха и распознавания объектов. Книга предназначена для студентов старших курсов и аспирантов, а также для ученых-исследователей и инженеров-практиков, работающих в других отраслях и интересующихся применением вероятностных моделей. Вероятностные графовые модели_переплет Вероятностные_графовые_модели_165_235_макет_03.09.20.pdf Предисловие от издательства Вступительное слово Предисловие Благодарности Список сокращений, принятых в книге Условные математические обозначения, используемые в книге Часть I. Теоретические основы Глава 1 Введение 1.1 Неопределенность 1.1.1 Воздействие неопределенности 1.2 Краткая история 1.3 Основные вероятностные модели 1.3.1 Пример 1.4 Вероятностные графовые модели 1.5 Представление, логический вывод и обучение 1.6 Приложения 1.7 Обзор содержимого книги 1.8 Материалы для дополнительного чтения Ссылки на источники Глава 2 Теория вероятностей 2.1 Введение 2.2 Основные правила 2.3 Случайные переменные 2.3.1 Двумерные случайные переменные 2.4 Теория информации 2.5 Материалы для дополнительного чтения 2.6 Задания и упражнения Ссылки на источники Глава 3 Теория графов 3.1 Определения 3.2 Типы графов 3.3 Пути и циклы 3.4 Изоморфизм графов 3.5 Деревья 3.6 Клики 3.7 Полное упорядочивание 3.8 Алгоритмы упорядочивания и триангуляции 3.8.1 Поиск паросочетания максимальной мощности 3.8.2 Дополнение графа 3.9 Материалы для дополнительного чтения 3.10 Задания и упражнения Ссылки на источники Часть II. Вероятностные модели Глава 4 Байесовские классификаторы 4.1 Введение 4.1.1 Оценки классификатора 4.2 Байесовский классификатор 4.2.1 Наивный байесовский классификатор 4.3 Другие модели: TAN, BAN 4.4 Частично наивные байесовские классификаторы 4.5 Многомерные байесовские классификаторы 4.5.1 Многомерные классификаторы на основе байесовских сетей 4.5.2 Байесовские классификаторы на основе цепи 4.6 Иерархическая классификация 4.6.1 Оценка цепного пути 4.7 Приложения 4.7.1 Визуальное определение кожи человека на изображениях 4.7.2 Выбор лекарственных средств для лечения вируса иммунодефицита человека 4.8 Материалы для дополнительного чтения 4.9 Задания и упражнения Ссылки на источники Глава 5 Скрытые марковские модели 5.1 Введение 5.2 Марковские цепи 5.2.1 Оценка параметров 5.2.2 Сходимость 5.3 Скрытые марковские модели 5.3.1 Вычисление оценки 5.3.2 Оценка состояния 5.3.3 Обучение 5.3.4 Расширения 5.4 Приложения 5.4.1 Алгоритм PageRank 5.4.2 Распознавание жестов 5.5 Материалы для дополнительного чтения 5.6 Задания и упражнения Ссылки на источники Глава 6 Марковские случайные поля 6.1 Введение 6.2 Марковские сети 6.2.1 Регулярные марковские случайные поля 6.3 Случайные поля Гиббса 6.4 Логический вывод 6.5 Оценка параметров 6.5.1 Оценка параметров с помощью данных с метками 6.6 Условные случайные поля 6.7 Приложения 6.7.1 Сглаживание изображений 6.7.2 Расширенная аннотация изображений 6.8 Материалы для дополнительного чтения 6.9 Задания и упражнения Ссылки на источники Глава 7 Байесовские сети: представление и логический вывод 7.1 Введение 7.2 Представление 7.2.1 Структура 7.2.2 Параметры 7.3 Логический вывод 7.3.1 Односвязные сети: алгоритм распространения доверия 7.3.2 Многосвязные сети 7.3.3 Приближенный логический вывод 7.3.4 Наиболее вероятное объяснение 7.3.5 Непрерывные переменные 7.4 Приложения 7.4.1 Валидация информации 7.4.2 Анализ надежности 7.5 Материалы для дополнительного чтения 7.6 Задания и упражнения Ссылки на источники Глава 8 Байесовские сети: обучение 8.1 Введение 8.2 Обучение параметров 8.2.1 Сглаживание 8.2.2 Неопределенность параметров 8.2.3 Недостаточный объем данных 8.2.4 Дискретизация 8.3 Обучение структуры 8.3.1 Обучение дерева 8.3.2 Обучение полидерева 8.3.3 Методики поиска с оценкой 8.3.4 Методики проверки независимости 8.4 Объединение экспертных знаний и имеющихся данных 8.5 Приложения 8.5.1 Модель загрязнения воздуха в Мехико-сити 8.6 Материалы для дополнительного чтения 8.7 Задания и упражнения Ссылки на источники Глава 9 Динамические и временные байесовские сети 9.1 Введение 9.2 Динамические байесовские сети 9.2.1 Логический вывод 9.2.2 Обучение 9.3 Временные сети событий 9.3.1 Байесовские сети с временными узлами 9.4 Приложения 9.4.1 Динамические байесовские сети: распознавание жестов 9.4.2 Байесовская сеть с временными узлами: прогнозирование вариантов мутаций ВИЧ 9.5 Материалы для дополнительного чтения 9.6 Задания и упражнения Ссылки на источники Часть III. Модели принятия решений Глава 10 Графы принятия решений 10.1 Введение 10.2 Теория принятия решений 10.2.1 Основы теории принятия решений 10.3 Деревья решений 10.4 Диаграммы влияния 10.4.1 Моделирование 10.4.2 Оценка 10.4.3 Расширения 10.5 Приложения 10.5.1 Медработник, принимающий теоретические решения 10.6 Материалы для дополнительного чтения 10.7 Задания и упражнения Ссылки на источники Глава 11 Марковские процессы принятия решений 11.1 Введение 11.2 Моделирование 11.3 Вычисление оценки 11.3.1 Итерация значения 11.3.2 Итерация стратегии 11.4 Факторизованные марковские процессы принятия решений 11.4.1 Абстракция 11.4.2 Декомпозиция 11.5 Частично наблюдаемые марковские процессы принятия решений 11.6 Приложения 11.6.1 Управление электростанцией 11.6.2 Согласование задач робота 11.7 Материалы для дополнительного чтения 11.8 Задания и упражнения Ссылки на источники Часть IV. Реляционные и причинно-следственные модели Глава 12 Реляционные вероятностные графовые модели 12.1 Введение 12.2 Логика 12.2.1 Логика высказываний 12.2.2 Логика предикатов первого порядка 12.3 Вероятностные реляционные модели 12.3.1 Логический вывод 12.3.2 Обучение 12.4 Марковские логические сети 12.4.1 Логический вывод 12.4.2 Обучение 12.5 Приложения 12.5.1 Моделирование студента 12.6 Вероятностная реляционная модель студента 12.6.1 Визуальные грамматики 12.7 Материалы для дополнительного чтения 12.8 Задания и упражнения Ссылки на источники Глава 13 Графовые причинно-следственные модели 13.1 Введение 13.2 Причинно-следственные байесовские сети 13.3 Обоснование причин 13.3.1 Прогноз 13.3.2 Контрфактуальный анализ 13.4 Обучение причинно-следственных моделей 13.5 Приложения 13.5.1 Обучение причинно-следственной модели для синдрома дефицита внимания и гиперактивности 13.6 Материалы для дополнительного чтения 13.7 Задания и упражнения Ссылки на источники Словарь терминов Предметный указатель