貝葉斯定理(英語:Bayes' theorem)是概率論 中的一個定理 ,它跟隨機變量 的條件概率 以及邊緣概率分布 有關。在有些關於概率的解說中,貝葉斯定理(貝葉斯更新)能夠告知我們如何利用新證據修改已有的看法。這個名稱來自於托馬斯·貝葉斯 。

VIP內容

台灣交通大學的Jen-Tzung Chien教授在WSDN 2020會議上通過教程《Deep Bayesian Data Mining》介紹了深度貝葉斯數據挖掘的相關知識,涵蓋了貝葉斯學習、深度序列學習、深度貝葉斯挖掘和學習等內容。

Jen-Tzung Chien教授在WSDM 2020的教程《Deep Bayesian Data Mining》(《深度貝葉斯數據挖掘》)介紹了麵向自然語言的深度貝葉斯挖掘和學習,包括了它的基礎知識和進展,以及它無處不在的應用,這些應用包括語音識別、文檔摘要、文本分類、文本分割、信息抽取、圖像描述生成、句子生成、對話控製、情感分類、推薦係統、自動問答和機器翻譯等。

從傳統上,“深度學習”被認為是一個學習過程,過程中的推斷和優化都使用基於實數的判別模型。然而,從大量語料中提取出的詞彙、句子、實體、行為和文檔的“語義結構”在數學邏輯或計算機程序中可能不能很好地被這種方式表達或正確地優化。自然語言的離散或連續潛在變量模型中的“分布函數”可能不能被正確分解或估計。

該教程介紹了統計模型和神經網絡的基礎,並聚焦於一係列先進的貝葉斯模型和深度模型,包括層次狄利克雷過程、中國餐館過程、遞歸神經網絡、長短期記憶網絡、序列到序列模型、變分自編碼器、生成式對抗網絡、策略神經網絡等。教程還介紹了增強的先驗/後驗表示。教程展示了這些模型是如何連接的,以及它們為什麼適用於自然語言中麵向符號和複雜模式的各種應用程序。

變分推斷和采樣被提出解決解決複雜模型的優化問題。詞和句子的嵌入、聚類和聯合聚類被語言和語義約束合並。針對深度貝葉斯挖掘、搜索、學習和理解中的不同問題,一係列的案例研究、任務和應用被提出。最後,教程指出一些未來研究的方向和展望。教程旨在向初學者介紹深度貝葉斯學習中的主要主題,激發和解釋它對數據挖掘和自然語言理解正在浮現的重要性,並提出一種結合不同的機器學習工作的新的綜合方法。

教程的內容大致如下:

  • 簡介
    • 動機和背景
    • 概率模型
    • 神經網絡
  • 貝葉斯學習
    • 推斷和優化
    • 變分貝葉斯推斷
    • 蒙特卡羅馬爾科夫鏈推斷
  • 深度序列學習
    • 深度非展開主題模型
    • 門遞歸神經網絡
    • 貝葉斯遞歸神經網絡
    • 記憶增強神經網絡
    • 序列到序列學習
    • 卷積神經網絡
    • 擴增神經網絡
    • 基於Transformer的注意力網絡
  • 深度貝葉斯挖掘和學習
    • 變分自編碼器
    • 變分遞歸自編碼器
    • 層次變分自編碼器
    • 隨機遞歸神經網絡
    • 正則遞歸神經網絡
    • 跳躍遞歸神經網絡
    • 馬爾科夫遞歸神經網絡
    • 時間差分變分自編碼器
    • 未來挑戰和發展
  • 總結和未來趨勢

完整教程下載

請關注專知公眾號(點擊上方藍色專知關注) 後台回複“DBDM20” 就可以獲取完整教程PDF的下載鏈接~

教程部分內容如下所示:

參考鏈接:

http://chien.cm.nctu.edu.tw/home/wsdm-tutorial/

-END- 專 · 知

專知,專業可信的人工智能知識分發,讓認知協作更快更好!歡迎注冊登錄專知www.webtourguide.com,獲取更多AI知識資料!

歡迎微信掃一掃加入專知人工智能知識星球群,獲取最新AI專業幹貨知識教程視頻資料和與專家交流谘詢!

請加專知小助手微信(掃一掃如下二維碼添加),獲取專知VIP會員碼,加入專知人工智能主題群,谘詢技術商務合作~

點擊“閱讀原文”,了解注冊使用專知

成為VIP會員查看完整內容
0
73
15
Top