タグ付けされた質問 「pgm」

ニューラルネットワークは、コンピュータービジョンタスクで最高の結果を得ます（MNIST、ILSVRC、Kaggle Galaxy Challengeを参照）。コンピュータービジョンの他のすべてのアプローチよりも優れているようです。しかし、他のタスクもあります： Kaggle分子活動チャレンジ 回帰：Kaggle Rain予測、2位 把握して持ち上げる2位も3位 -脳波記録から手の動きを特定する ASR（自動音声認識）と機械翻訳についてはあまりよくわかりませんが、（リカレント）ニューラルネットワーク（他のアプローチよりも優れている）も聞いたことがあると思います。 現在、ベイジアンネットワークについて学んでいますが、これらのモデルは通常どのような場合に適用されるのでしょうか。だから私の質問は： 最先端技術がベイジアンネットワークまたは少なくとも非常に類似したモデルである挑戦/（Kaggle）競争はありますか？ （サイドノート：私も見てきた決定木、2、3、4、5、6、7、いくつかの最近のKaggleの挑戦で勝利を）

48 machine-learning  pgm 

HMM、粒子フィルター、およびカルマンフィルターは、動的ベイズネットワークの特殊なケースであることを読みました。ただし、HMMのみを知っているため、ダイナミックベイズネットワークとの違いはわかりません。 誰か説明してもらえますか？ あなたの答えが次のようになりますが、ベイズネットワークの場合はいいでしょう： 隠れマルコフモデル 隠れマルコフモデル（HMM）は、5タプルのです。λ = （S、O 、A 、B 、Π ）λ=(S,O,A,B,Π)\lambda = (S, O, A, B, \Pi) S≠ ∅S≠∅S \neq \emptyset：状態のセット（例：「音素の始まり」、「音素の中間」、「音素の終わり」） O ≠ ∅O≠∅O \neq \emptyset：考えられる一連の観測（オーディオ信号） A ∈ R| S| × | S|A∈R|S|×|S|A \in \mathbb{R}^{|S| \times |S|}：状態から状態に到達する確率を与える確率行列。i j（a私はj）(aij)(a_{ij})iiijjj B∈R|S|×|O|B∈R|S|×|O|B \in \mathbb{R}^{|S| \times |O|}：確率を与えて状態の観測値を取得する確率行列。k l(bkl)(bkl)(b_{kl})kkklll Π∈R|S|Π∈R|S|\Pi \in \mathbb{R}^{|S|}：いずれかの状態で開始する初期分布。 通常、有向グラフとして表示されます。各ノードは1つの状態対応し、遷移確率はエッジに示されます。s∈Ss∈Ss \in S …

13 bayesian-networks  pgm