ぱらぱらめくる『Probabilistic Graphical Models』

Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning series)

• 目次
• (0)
  • 1 Introduction
    • 動機、グラフで表現すること・そのうえで推定する・グラフとして『学習』する
  • 2 Foundations
    • 確率論、グラフ理論
• (1) Representation
  • 3 The Bayesian Network Representation
    • 基礎的ネットワーク表現
  • 4 Unidrected Graphical Models
    • マルコフネットワークへ進む
  • 5 Local Probabilistic Models
    • 少し細部を
  • 6 Template-Based Representations
    • 形式化・一般化することで、扱える対象を拡大する。その一つが時間経過による変化の取扱い
  • 7 Gaussian Network Models
    • 量的変数の導入を正規分布で
  • 8 The Exponential Family
    • 正規分布を指数関数族へとさらに一般化
• (2) Inference
  • 9 Exact Inference: Variable Elimination
    • 厳密な意味での推定から入る
  • 10 Exact Inference: Clique Trees
    • 推定のためのアルゴリズム
  • 11 Inference as Optimization
    • 最適解探し
  • 12 Particle-Based Approximate Inference
    • Importance sampling, Markov-chain Monte Carlo
  • 13 MAP Inference
  • 14 Inference in Hybrid Networks
  • 15 Inference in Temporal Models
• (3) Learning
  • 16 Learning Graphical Models: Overview
    • モデル学習のオーバービュー
  • 17 Parameter Estimation
    • データがすべて観察されている場合に与えられたモデル(グラフ)に関するパラメタ学習
  • 18 Structure Learning in Bayesian Networks
    • モデル(グラフ)も学習
  • 19 Partially Observed Data
  • 20 Learning Undirected Models
    • マルコフグラフの学習で集大成
• (4) Actions and Decisions
  • 21 Causality
  • 22 Utilities and Decisions
    • 選択における好みの問題
  • 23 Structured Decision Problems
    • グラフを用いて決定理論の構造化を模索する
  • 24 Epilogue
• A Background Material