机器学习的一个关键挑战是结构化预测:将非结构化数据作为输入并产生结构化输出。结构化预测问题在自然语言处理、语音处理、计算生物学、计算机视觉、医疗保健等应用领域中比比皆是。在本课程中，我们将研究建立在概率图模型、深度学习和搜索基础上的结构化预测的现代方法。本课程将关注三个关键方面:模型、推理和学习。我们考虑的模型将集中于生成和判别模型，如贝叶斯网络、马尔可夫随机场(MRFs)、条件随机场(CRFs)和深度神经网络，包括卷积神经网络(CNNs)和循环神经网络(RNNs)，以及图形模型和神经网络的混合。本课程将探讨精确推理和近似推理的方法:连接树算法、马尔科夫链蒙特卡罗(MCMC)和变分方法的近似边际推理、整数线性规划(ILP)和搜索的近似MAP推理。我们将使用学习问题的不同形式来探索无监督、半监督和监督学习:MLE、贝叶斯推理、结构化感知器、M3Ns、搜索学习和自动编码器。涵盖的应用将包括机器翻译，语音识别，DNA序列分析，场景理解，医疗诊断。这门课程被交叉列为10-418和10-618;注册10-618的学生将做一个课程项目。
学习成果:
在本课程结束时，学生应该能够……
将新任务形式化为结构化预测问题。
通过整合关于输出之间的约束或交互的领域知识，开发新的图模型
结合深度神经网络和图形模型
为概率图形模型确定适当的推理方法，精确的或近似的
采用学习算法，充分利用可用数据
为结构化预测模型从头开始实现最先进的学习和推理方法
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“ML18” 就可以获取
《 不可错过！CMU《结构化数据机器学习》课程，附Slides》专知下载链接
还没有评论，来说两句吧...