Learning in graphical models

در دهه گذشته، تعدادی از جوامع تحقیقاتی مختلف در علوم محاسباتی، یادگیری را در شبکه‌ها مورد مطالعه قرار داده‌اند که از دیدگاه‌های مختلف شروع شده است. پیشرفت قابل توجهی در این جوامع مختلف صورت گرفته است و همگرایی شگفت انگیزی بین فرمالیسم ها ایجاد شده است. آگاهی از این همگرایی و علاقه فزاینده محققان به درک وحدت اساسی موضوع، زیربنای حجم فعلی است.
دو جامعه تحقیقاتی که از فرمالیسم های گرافیکی یا شبکه ای به نفع خاصی استفاده کرده اند، جامعه شبکه باور و جامعه شبکه عصبی هستند. شبکه های اعتقادی در علم کامپیوتر و آمار پدید آمدند و با تأکید بر دانش قبلی و محاسبات دقیق احتمالی توسعه یافتند. شبکه‌های عصبی در مهندسی برق، فیزیک و علوم اعصاب به وجود آمدند و بر تشخیص الگو و مشکلات مدل‌سازی سیستم تأکید داشتند. این جلد پژوهشگران این دو جامعه را گرد هم می آورد و هر دو نوع شبکه را به عنوان نمونه هایی از فرمالیسم گرافیکی یکپارچه کلی ارائه می دهد. تمرکز این کتاب بر روش‌های احتمالی برای یادگیری و استنتاج در مدل‌های گرافیکی، تحلیل و طراحی الگوریتم، تئوری و کاربردها است. روش‌های دقیق، روش‌های نمونه‌گیری و روش‌های تنوع به تفصیل مورد بحث قرار گرفته‌اند.
مخاطبان: بخش وسیعی از محققان محاسباتی گرا، از جمله دانشمندان کامپیوتر، آماردانان، مهندسان برق، فیزیکدانان و دانشمندان علوم اعصاب.

In the past decade, a number of different research communities within the computational sciences have studied learning in networks, starting from a number of different points of view. There has been substantial progress in these different communities and surprising convergence has developed between the formalisms. The awareness of this convergence and the growing interest of researchers in understanding the essential unity of the subject underlies the current volume.
Two research communities which have used graphical or network formalisms to particular advantage are the belief network community and the neural network community. Belief networks arose within computer science and statistics and were developed with an emphasis on prior knowledge and exact probabilistic calculations. Neural networks arose within electrical engineering, physics and neuroscience and have emphasised pattern recognition and systems modelling problems. This volume draws together researchers from these two communities and presents both kinds of networks as instances of a general unified graphical formalism. The book focuses on probabilistic methods for learning and inference in graphical models, algorithm analysis and design, theory and applications. Exact methods, sampling methods and variational methods are discussed in detail.
Audience: A wide cross-section of computationally oriented researchers, including computer scientists, statisticians, electrical engineers, physicists and neuroscientists.