Probabilistic-Graphical-Models

pagePassword: True
cleanUrl: "/Spotfire"

http://mcb111.org/w06/KollerFriedman.pdf 

확률 그래프 모델(PGM)은 복잡한 문제들을 해결하기 위해 확률론을 기반으로 한 그래프를 사용하는 방법입니다. 간단히 말해, PGM은 여러 변수들 사이의 관계를 그래프 형태로 나타내어, 이 변수들이 어떻게 서로 영향을 미치는지를 표현합니다. 이러한 모델은 특히 변수들 사이의 관계가 복잡하고, 변수의 수가 많을 때 유용합니다. PGM에는 크게 두 가지 주요 유형이 있습니다:

1. 베이지안 네트워크: 이는 방향성이 있는 그래프를 사용하여 변수들 사이의 인과 관계를 나타냅니다. 각 변수는 조건부 확률 분포를 가지며, 이는 변수가 주어진 상황에서 어떻게 행동할지를 설명합니다. 예를 들어, 베이지안 네트워크는 의료 진단에서 특정 증상이 주어졌을 때 특정 질병의 확률을 계산하는 데 사용될 수 있습니다.
2. 마르코프 네트워크: 이는 무방향 그래프를 사용하며, 변수들 사이의 상호 의존성을 나타냅니다. 이 네트워크는 변수들 간의 관계가 상호적이며, 특정 방향성을 가지지 않을 때 유용합니다. 예를 들어, 마르코프 네트워크는 소셜 네트워크에서 사람들 사이의 상호 작용이나 영향력을 모델링하는 데 사용될 수 있습니다. PGM은 이러한 복잡한 관계를 모델링하고, 변수들 사이의 확률을 계산함으로써, 다양한 분야에서 예측, 분석, 의사 결정 지원 등의 목적으로 활용됩니다. 실제로, PGM은 의료, 자연어 처리, 이미지 인식, 기계 학습 등 다양한 분야에서 중요한 역할을 합니다. PGM을 통해 우리는 대규모 데이터셋에서 숨겨진 패턴을 발견하고, 복잡한 문제를 보다 명확하게 이해할 수 있습니다. 이 과정에서 학습하는 기본적인 PGM 표현과 확장 기능을 통해, 실제 세계의 문제를 효과적으로 모델링하고 해결하는 방법을 배울 수 있습니다.