《概率推理方法》课件.ppt

概率推理方法;课程简介：为什么要学习概率推理？;概率推理的应用领域;概率推理的基础：概率论回顾;概率的定义与性质;条件概率和贝叶斯公式;随机变量和概率分布;离散型随机变量：伯努利分布、二项分布;连续型随机变量：正态分布、指数分布;多元随机变量;概率推理的核心概念：不确定性;不确定性的来源;处理不确定性的策略;概率推理的基本方法：贝叶斯网络;贝叶斯网络的定义和结构;贝叶斯网络的构建;贝叶斯网络的推理算法：变量消元法;贝叶斯网络的推理算法：信念传播算法;贝叶斯网络的学习：参数学习;贝叶斯网络的学习：结构学习;马尔可夫链和隐马尔可夫模型;马尔可夫链的定义和性质;隐马尔可夫模型的定义和结构;隐马尔可夫模型的推理算法：前向算法;隐马尔可夫模型的推理算法：维特比算法;隐马尔可夫模型的学习：Baum-Welch算法;概率逻辑;逻辑推理的局限性;概率逻辑的引入;概率逻辑的语法和语义;概率逻辑的推理方法;蒙特卡洛方法;蒙特卡洛方法的思想;蒙特卡洛积分;马尔可夫链蒙特卡洛方法(MCMC);MCMC算法：Metropolis-Hastings算法;MCMC算法：吉布斯抽样算法;近似推理方法;变分推理;期望传播;置信度传播;概率编程;概率编程的概念和优势;概率编程语言：PyMC3;概率编程语言：Stan;概率编程语言：TensorFlowProbability;案例分析：医学诊断中的概率推理;案例分析：自然语言处理中的概率推理;案例分析：金融风险评估中的概率推理;概率推理的挑战与未来;数据稀疏性问题;计算复杂度问题;模型的选择与评估;概率推理的伦理问题;总结：概率推理的重要性;课程回顾与展望;QA环节;参考文献;感谢聆听;作业安排