知识卡片
图模型分清表示学习和推断
表示决定变量、依赖与分解结构;学习利用数据估计参数;推断在给定模型与观测下求概率或最优标签。三者相互约束,却不是同一过程,训练似然、标签后验和最优序列不能共用一个模糊的概率名称。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
我们解决非确定性问题的传统思路都是利用概率论的思想,但是随着问题的复杂性不断增加,传统的概率方法显得越来越力不从心。图模型的引入使人们可以将复杂问题得到适当的分解:其中,变量表示为节点,变量与变量之间的关系表示为边(或弧),这样就使问题得以
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第04章《NLP中的概率图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00009.html)
- 结论依据:摘录中关于图模型分清表示学习和推断的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:我们解决非确定性问题的传统思路都是利用概率论的思想,但是随着问题的复杂性不断增加,传统的概率方法显得越来越力不从心。图模型的引入使人们可以将复杂问题得到适当的分解:其中,变量表示为节点,变量与变量之间的关系表示为边(或弧),这样就使问题得以