Sie scheinen alle Zufallsvariablen durch die Knoten und (in) Abhängigkeit über die (möglicherweise gerichteten) Kanten darzustellen. Mich interessiert vor allem die Sichtweise eines Bayesianers.
34
Sie scheinen alle Zufallsvariablen durch die Knoten und (in) Abhängigkeit über die (möglicherweise gerichteten) Kanten darzustellen. Mich interessiert vor allem die Sichtweise eines Bayesianers.
Ein Bayes'sches Netzwerk ist eine Art grafisches Modell. Der andere "große" Typ eines grafischen Modells ist ein Markov Random Field (MRF). Grafische Modelle werden zur Folgerung, Schätzung und im Allgemeinen zur Modellierung der Welt verwendet.
Der Begriff hierarchisches Modell wird verwendet, um viele Dinge in verschiedenen Bereichen zu bedeuten.
Während neuronale Netze mit "Graphen" geliefert werden, kodieren sie im Allgemeinen keine Abhängigkeitsinformationen, und die Knoten repräsentieren keine Zufallsvariablen. NNs sind unterschiedlich, weil sie diskriminierend sind. Beliebte neuronale Netze werden zur Klassifizierung und Regression verwendet.
Kevin Murphy hat eine hervorragende Einführung in diese Themen finden Sie hier .
Wie @carlosdc sagte, ist ein Bayes'sches Netzwerk eine Art grafisches Modell (dh ein gerichteter azyklischer Graph (DAG), dessen Struktur einen Satz von bedingten Unabhängigkeitseigenschaften definiert). Hierarchische Bayes-Modelle können auch als DAGs dargestellt werden. Hierarchische Naive Bayes-Klassifikatoren für unsichere Daten von Bellazzi et al. Bieten eine gute Einführung in die Klassifizierung mit solchen Modellen. Über hierarchische Modelle denke ich, dass viele Artikel durch googeln mit geeigneten Schlüsselwörtern abgerufen werden können; Ich habe zum Beispiel folgendes gefunden:
Michael I. Jordan hat ein nettes Tutorial über grafische Modelle mit verschiedenen Anwendungen, die auf dem faktoriellen Hidden-Markov-Modell in der Bioinformatik oder der Verarbeitung natürlicher Sprache basieren . Lesenswert ist auch sein Buch Learning in Graphical Models (MIT Press, 1998) (Anwendung von GMs auf die Strukturmodellierung mit BUGS- Code, S. 575-598).
quelle
Neuronale Netzwerke erfordern keine Prioritäten, aber jeder versteckte Knoten (Neuronen) eines neuronalen Netzwerks kann als CPD (Noisy OR / AND CPD) für einen linearen Knoten oder als Sigmoid CPD für einen logistischen Knoten betrachtet werden
Neuronale Netze können also als mehrere Schichten von versteckten Knoten mit jeweils linearen / sigmoidalen CPDs betrachtet werden
Kollers Kurs über Coursera ODER ihr Lehrbuch sollte eine gute Referenz für Arten von CPDs sein.
quelle