该参考描述所示目录。请向院校确认当前的招生项目及适用于您入学年的条件。
描述
贝叶斯与因果贝叶斯网络 表示（因式分解联合概率分布、利用概率独立性、d-分离、I-map、朴素贝叶斯）；参数学习（最大似然估计、贝叶斯参数估计）；结构学习（约束法与得分法、贝叶斯模型平均）；不完整数据下的学习（参数与结构学习、含隐变量的学习）；因果贝叶斯网络（干预、结构因果模型、推断、学习）；推断。使用 R 或 Python。讲座，每周 3 小时；实验/辅导，每周 1 小时。先决条件：STAT 3P85 或授课教师许可。CO-OP 课程
先修课程
- 先决条件：STAT 3P85 或授课教师许可。CO-OP 课程
条件与方式
- 先决条件：STAT 3P85 或授课教师许可。CO-OP 课程
原文参考文本
Bayesian and causal Bayesian Networks Representation (factorizing joint probabilistic distributions, exploiting probabilistic independence, d- separation, I-map, naive Bayes); parameter learning (maximum likelihood estimation, Bayesian parameter estimation); structure learning (constrained and score-based approaches, Bayesian model averaging); learning with incomplete data (parameter and structure learning, learning with hidden variables); causal Bayesian networks (intervention, SCMs, inference, learning); Inference. Use of R or Python. Lectures, 3 hours per week; lab/tutorial, 1 hour per week Prerequisite(s): STAT 3P85 or the permission of the instructor CO-OP COURSES
- Prerequisite(s): STAT 3P85 or the permission of the instructor CO-OP COURSES
来源与参考
为帮助您核实信息，保留了日期和来源。为便于阅读提供了翻译；以官方来源为准，查看条件和要求。
来源参考 : https://brocku.ca/webcal/2024/undergrad/math.html