Probabilistic Graphical Models: Principles and Techniques

یک چارچوب کلی برای ساخت و استفاده از مدل‌های احتمالی سیستم‌های پیچیده که رایانه را قادر می‌سازد از اطلاعات موجود برای تصمیم‌گیری استفاده کند.

اکثر وظایف به یک شخص یا یک خودکار نیاز دارند. سیستم به استدلال -- برای رسیدن به نتیجه گیری بر اساس اطلاعات موجود. چارچوب مدل‌های گرافیکی احتمالی، ارائه شده در این کتاب، یک رویکرد کلی برای این کار ارائه می‌کند. این رویکرد مبتنی بر مدل است و به مدل‌های قابل تفسیر اجازه می‌دهد تا با الگوریتم‌های استدلالی دستکاری شوند. این مدل‌ها همچنین می‌توانند به‌طور خودکار از داده‌ها یاد بگیرند، که این امکان را می‌دهد تا در مواردی که ساخت دستی یک مدل دشوار یا حتی غیرممکن است، از این رویکرد استفاده شود. از آنجایی که عدم قطعیت یک جنبه اجتناب ناپذیر از بیشتر کاربردهای دنیای واقعی است، این کتاب بر مدل‌های احتمالی تمرکز می‌کند، که عدم قطعیت را صریح می‌کند و مدل‌هایی را ارائه می‌دهد که به واقعیت وفادارتر هستند.

مدل‌های گرافیکی احتمالی انواع مدل‌ها را مورد بحث قرار می‌دهد که شامل شبکه‌های بیزی، شبکه‌های مارکوف بدون جهت، مدل‌های گسسته و پیوسته، و برنامه‌های افزودنی برای مقابله با سیستم‌های دینامیکی و داده‌های رابطه‌ای است. برای هر دسته از مدل‌ها، متن سه اصل اساسی را شرح می‌دهد: نمایش، استنتاج، و یادگیری، ارائه مفاهیم پایه و تکنیک‌های پیشرفته. در نهایت، کتاب استفاده از چارچوب پیشنهادی را برای استدلال علّی و تصمیم‌گیری در شرایط عدم قطعیت در نظر می‌گیرد. متن اصلی در هر فصل توسعه فنی دقیق ایده های کلیدی را ارائه می دهد. بیشتر فصل‌ها شامل جعبه‌هایی با مواد اضافی هستند: جعبه‌های مهارت، که تکنیک‌ها را توصیف می‌کنند. جعبه های مطالعه موردی، که موارد تجربی مربوط به رویکرد توصیف شده در متن را مورد بحث قرار می دهد، از جمله برنامه های کاربردی در بینایی کامپیوتر، روباتیک، درک زبان طبیعی، و زیست شناسی محاسباتی. و جعبه های مفهومی، که مفاهیم مهمی را ارائه می کنند که از مطالب این فصل استخراج شده است. مربیان (و خوانندگان) می‌توانند فصل‌ها را در ترکیب‌های مختلف، از موضوعات اصلی گرفته تا مطالب فنی پیشرفته‌تر، برای مطابقت با نیازهای خاص خود گروه‌بندی کنند.

A general framework for constructing and using probabilistic models of complex systems that would enable a computer to use available information for making decisions.

Most tasks require a person or an automated system to reason -- to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be learned automatically from data, allowing the approach to be used in cases where manually constructing a model is difficult or even impossible. Because uncertainty is an inescapable aspect of most real-world applications, the book focuses on probabilistic models, which make the uncertainty explicit and provide models that are more faithful to reality.

Probabilistic Graphical Models discusses a variety of models, spanning Bayesian networks, undirected Markov networks, discrete and continuous models, and extensions to deal with dynamical systems and relational data. For each class of models, the text describes the three fundamental cornerstones: representation, inference, and learning, presenting both basic concepts and advanced techniques. Finally, the book considers the use of the proposed framework for causal reasoning and decision making under uncertainty. The main text in each chapter provides the detailed technical development of the key ideas. Most chapters also include boxes with additional material: skill boxes, which describe techniques; case study boxes, which discuss empirical cases related to the approach described in the text, including applications in computer vision, robotics, natural language understanding, and computational biology; and concept boxes, which present significant concepts drawn from the material in the chapter. Instructors (and readers) can group chapters in various combinations, from core topics to more technically advanced material, to suit their particular needs.