พวกเขาทั้งหมดดูเหมือนจะเป็นตัวแทนของตัวแปรสุ่มโดยโหนดและ (ใน) การพึ่งพาผ่านขอบ (อาจกำกับ) ฉันสนใจในมุมมองแบบเบย์
พวกเขาทั้งหมดดูเหมือนจะเป็นตัวแทนของตัวแปรสุ่มโดยโหนดและ (ใน) การพึ่งพาผ่านขอบ (อาจกำกับ) ฉันสนใจในมุมมองแบบเบย์
คำตอบ:
เครือข่ายแบบเบย์คือรูปแบบกราฟิกชนิดหนึ่ง โมเดลกราฟิกขนาดใหญ่ชนิดอื่นคือมาร์คอฟสุ่มฟิลด์ (MRF) แบบจำลองกราฟิกใช้สำหรับการอนุมานการประมาณค่าและโดยทั่วไปเพื่อจำลองโลก
รูปแบบลำดับชั้นคำที่ใช้หมายถึงหลายสิ่งหลายอย่างในพื้นที่ที่แตกต่างกัน
ในขณะที่เครือข่ายประสาทมาพร้อมกับ "กราฟ" พวกเขามักจะไม่เข้ารหัสข้อมูลการพึ่งพาและโหนดไม่ได้แสดงตัวแปรแบบสุ่ม NN นั้นแตกต่างกันเพราะพวกเขาเลือกปฏิบัติ โครงข่ายประสาทยอดนิยมใช้สำหรับการจำแนกและการถดถอย
เควินเมอร์ฟี่มีแนะนำที่ดีกับหัวข้อเหล่านี้สามารถใช้ได้ที่นี่
ดังที่@ carlosdcกล่าวว่าเครือข่ายแบบเบย์คือประเภทของแบบจำลองกราฟฟิค (เช่นกราฟ acyclic (DAG) ที่มีโครงสร้างกำหนดชุดคุณสมบัติความเป็นอิสระแบบมีเงื่อนไข) โมเดลลำดับชั้น Bayesยังสามารถแสดงเป็น DAG ได้ ลักษณนามของ Naive Bayes Classifiers สำหรับข้อมูลที่ไม่แน่นอนโดย Bellazzi และคณะได้แนะนำวิธีการจัดหมวดหมู่ที่ดีกับรุ่นดังกล่าว เกี่ยวกับตัวแบบลำดับชั้นฉันคิดว่าสามารถดึงบทความจำนวนมากได้โดย googling ด้วยคำหลักที่เหมาะสม ตัวอย่างเช่นฉันพบสิ่งนี้:
CH Jackson, NG Best และ S. Richardson รุ่นกราฟิกแบบเบย์สำหรับการถดถอยในชุดข้อมูลหลายตัวแปรที่แตกต่างกัน ชีวสถิติ (2008) 10 (2): 335-351
Michael I. Jordan มีแบบฝึกหัดที่ดีเกี่ยวกับGraphical Modelsโดยมีแอพพลิเคชั่นหลากหลายที่ยึดตามโมเดล Hidden Markovในด้านชีวสารสนเทศหรือการประมวลผลภาษาธรรมชาติ หนังสือของเขาการเรียนรู้ในรูปแบบกราฟิก (MIT Press, 1998) ก็คุ้มค่าที่จะอ่าน (มีการประยุกต์ใช้ GMs กับแบบจำลองโครงสร้างด้วยรหัสBUGS , หน้า 575-598)
โครงข่ายประสาทไม่จำเป็นต้องมี priors แต่แต่ละโหนดที่ซ่อนอยู่ (เซลล์ประสาท) ของเครือข่ายประสาทสามารถพิจารณาเป็น CPD - มีเสียงดังหรือ / และ CPD สำหรับโหนดเชิงเส้น - Sigmoid CPD สำหรับโหนดโลจิสติก
ดังนั้นเครือข่ายประสาทสามารถถูกมองว่าเป็นหลาย ๆ ชั้นของโหนดที่ซ่อนอยู่แต่ละอันมี CPD เชิงเส้น / sigmoidal
คลาสของ Koller ใน Coursera หรือตำราเรียนของเธอควรเป็นข้อมูลอ้างอิงที่ดีสำหรับประเภทของ CPD