Cette référence décrit le catalogue indiqué. Consultez l’établissement pour confirmer l’offre actuelle et les conditions applicables à votre rentrée.
Description
Modèles graphiques probabilistes et modèles génératifs neuronaux Introduction aux fondements théoriques des modèles génératifs et à leurs applications en prédiction, découverte de connaissances et conception créative. Fondements des modèles graphiques probabilistes (PGM), apprentissage et inférence dans les PGM traditionnels tels que les modèles de Markov cachés, les modèles de mélange et la classification de Dirichlet latente. Modèles génératifs neuronaux non orientés (NGM), y compris les champs de Markov et les variantes de machines de Boltzmann. NGMs orientés, y compris les Helmholtz machines et les deep belief nets, les autoencodeurs variationnels et les réseaux antagonistes génératifs.
Texte de référence dans sa langue d’origine
Probabilistic Graphical Models and Neural Generative Models Introduction to the theoretical foundations of generative models and their applications in prediction, knowledge discovery, and creative design. Foundations of probabilistic graphical models (PGMs), learning, and inference in traditional PGMs such as hidden Markov models, mixture models, and latent Dirichlet allocation. Undirected neural generative models (NGMs), including Markov random fields, and variants of Boltzmann machines. Directed NGMs, including Helmholtz machines and deep belief nets, variational autoencoders, and generative adversarial networks.
Sources et références
Les dates et les sources sont conservées pour vous aider à vérifier les renseignements. Les traductions sont proposées pour faciliter la lecture; la source officielle fait référence pour les conditions et les exigences.
Référence source : https://brocku.ca/webcal/2024/graduate/cosc.html