機械 學習 과 데이터 마이닝
패러다임 地圖 學習 비지도 學習 온라인 機械 學習 메타-學習 準地圖 學習 自己 指導 學習 强化 學習 規則 基盤 機械 學習 兩者 機械 學習
問題 分類 클러스터 分析 回歸 分析 클러스터 分析 以上 探知 데이터 精製 聯關 規則 構造 基盤 豫測 特徵 工學 特徵 學習 順位 學習 文法 誘導 온톨로지 學習 멀티모달 學習
地圖 學習 ( 統計的 分類  • 回歸 分析 ) 決定 트리 學習法 앙상블 學習法 ( 倍깅 , Boosting, 랜덤 포레스트 ) 最近接 이웃 探索 k -NN 線型 回歸 나이브 베이즈 人工神經網 로지스틱 回歸 퍼셉트론 上官 벡터 머신 (RVM) 서포트 벡터 머신 (SVM)
클러스터 分析 BIRCH 계층적 群集化 k -平均 알고리즘 期待값 最大化 알고리즘 DBSCAN OPTICS Mean-shift
次元 縮小 因子 分析 CCA 獨立 成分 分析 LDA 陰數 未包含 行列 分解 主成分 分析 t-SNE
構造化 豫測 그래프 模型 베이즈 네트워크 條件附 無作爲腸 隱匿 마르코프 模型 潛在 디리클레 割當
以上 探知 k -最近接 이웃 알고리즘 局所 特異點 要因
人工 神經網 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 生成的 敵對 神經網 擴散 모델 多層 퍼셉트론 循環 神經網 LSTM GRU 制限된 볼츠만 머신 變換器 비전 自己組織化地圖 合成곱 神經網
强化 學習 Q 러닝 SARSA 時間差 學習
人間 參與學習 러닝 커브 크라우드소싱 人間 參與型
모델 診斷 러닝 커브
理論 偏向-分散 트레이드오프 計算學習理論 經驗的 危險 最少化 PAC 러닝 統計的 學習理論 VC 理論
會議/저널 NeurIPS ICML ICLR ML JMLR
關聯 文書 機械 學習 알고리즘 目錄 機械 脫學習 知識 蒸溜 有司도 學習 大棗 學習
v t e

確率論 , 統計學 , 機械 學習 에서의 그래프 模型 (GM; Graphical Model)은 確率 變數 間의 獨立性을 그래프로 表現한다. 이 때, 確率 變數는 마디(node)로 表現되며, 確率 變數 間의 條件的 獨立性(conditional independency)은 모서리(edge)로 表現된다.

GM의 一般的인 두 形態는 方向性 모서리를 갖는 그래프와 무뱡향성 모서리를 갖는 그래프로 나뉜다. 萬若 네트워크의 構造가 方向性 非循環 그래프 (DAG; directed acyclic graph)라면, GM은 모든 確率 變數의 結合 確率 의 分解(factorization)를 나타낸다.

같이 보기 [ 編輯 ]

• Belief propagation
• 베이즈 네트워크

參考 文獻 [ 編輯 ]

• Graphical models, Chapter 8 of Pattern Recognition and Machine Learning by Christopher M. Bishop
• A Brief Introduction to Graphical Models and Bayesian Networks

이 글은 컴퓨터 科學에 關한 토막글 입니다. 여러분의 知識으로 알차게 文書를 完成해 갑시다.