Apprendimento Automatico: 1. Reti Bayesiane: Modello generativo, Variabili discrete, Modelli lineari Gaussiani 2. Indipendenza condizionale: D-separazione 3. Markov Random Fields (Reti di Markov): Indipendenza condizionale, Fattorizzazione, Relazione con le Reti Bayesiane 4. Inferenza nei modelli grafici: Inferenza su catene, alberi e factor graphs, L’algoritmo somma-prodotto, L’algoritmo max-sum, Inferenza esatta in grafi generici, Propagazione ciclica di belief, Apprendimento della struttura del grafo 5. Modelli misti e Algoritmo EM: Algoritmo K-Means, Miscela di Gaussian, EM per miscele di Gaussiane, Una visione alternativa dell’EM, Algoritmo EM generico 6. Modelli di Markov e Modelli di Markov nascosti (HMM): Massima verosimiglianza nei Modelli di Markov, Algoritmo forward-backward, Algoritmo somma-prodotto per gli HMM, Algoritmo di Viterbi, Estensione degli HMM 7. Modelli dinamici lineari (LDS): Inferenza negli LDS, Apprendimento negli LDS, Estensione degli LDS Estrazione della Conoscenza: 1. Linguaggi logici e inferenza: Nozioni di base sulla Logica dei Predicati, Sussunzione 2. Reti di Markov come distribuzioni di probabilità. Reti di Markov logiche. 3. Inferenza approssimata: Markov chain Monte Carlo, Rejection sampling, Gibbs sampling 4. Apprendimento di modelli relazionali probabilistici: Definizione del problema, Apprendimento della struttura, Apprendimento dei parametri. 5. Apprendimento di Reti di Markov: Operazioni per l’apprendimento di modelli grafici 6. Apprendimento di programmi logici Bayesiani: Apprendimento della struttura, Apprendimento dei parametri, Metodo dei test di indipendenza. Apprendimento di Reti di Markov Logiche.
Machine Learning: 1. Bayesian Networks: Generative models, Discrete variables, Linear-Gaussian models 2. Conditional Independence: Three example graphs, D-separation. 3. Markov Random Fields: Conditional independence properties, Factorization properties, Relation to Bayesian Networks. 4. Inference in Graphical Models: Inference on a chain, Trees, Factor graphs, The sum-product algorithm, The max-sum algorithm, Exact inference in general graphs, Loopy belief propagation, Learning the graph structure. 5. Mixture Models and EM: K-means Clustering, Mixtures of Gaussians ,EM for Gaussian mixtures, An Alternative View of EM, he EM Algorithm in general. 6. Markov Models and Hidden Markov Models: Maximum likelihood for the HMM, The forward-backward algorithm, The sum-product algorithm for the HMM, The Viterbi algorithm, Extensions of the hidden Markov model. 7. Linear Dynamical Systems: Inference in LDS, Learning in LDS, Extensions of LDS. Knowledge Extraction: 1. Basic notion of Predicate Logics 2. Markov networks as probability distributions. Logical Markov Networks. 3. Approximate inference: Markov Chain Monte Carlo, Rejection sampling, Gibbs sampling. 4. Learning probabilistic relational model: Problem position, Structure learning, Parameter learning. 5. Learning Markov networks: Operations for Learning with Graphical Models 6. Principles of learning Bayesian logic programs: Learning the structure and the parameters Learning based on independence tests. Learning Logical Markov Networks.
Follow us :