Referensi ini menggambarkan katalog yang disebutkan. Hubungi lembaga untuk mengonfirmasi penawaran saat ini dan ketentuan yang berlaku untuk pendaftaran Anda.
Deskripsi
Model Graf Probabilistik dan Model Generatif Neural Pengantar dasar teoretis model generatif dan aplikasinya dalam prediksi, penemuan pengetahuan, dan desain kreatif. Dasar-dasar model graf probabilistik (PGM), pembelajaran, dan inferensi dalam PGM tradisional seperti model Markov tersembunyi, model campuran, dan latent Dirichlet allocation. Model generatif neural tak berarah (NGM), termasuk bidang acak Markov, dan varian mesin Boltzmann. NGM berarah, termasuk mesin Helmholtz dan deep belief nets, variational autoencoders, dan generative adversarial networks.
Teks rujukan dalam bahasa aslinya
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.
Sumber dan referensi
Tanggal dan sumber disimpan untuk membantu Anda memverifikasi informasi. Terjemahan disediakan untuk memudahkan pembacaan; sumber resmi menjadi rujukan untuk syarat dan ketentuan.
Referensi sumber : https://brocku.ca/webcal/2024/graduate/cosc.html