2,443
个编辑
更改
跳到导航
跳到搜索
第480行：
第480行： − ==== [https://campus.swarma.org/course/1579 概率图模型] ==== − 人工智能可以看做两个割裂的阶段，一是早期的基于符号的搜索，二是现在的机器学习，概率图模型可以将两者统一起来。概率图模型完美融合了人工智能的各个任务，我们既可以表示知识、推理、概率推断、learning，是为数不多的能够统一全部内容的方法。本课程中，北京师范大学系统科学学院教授张江将从概率理论、贝叶斯网、马尔科夫网和表示学习四部分内容讲解概率图模型。 第496行：
第494行： − + + + + + + + + + + + + + + + + + + + + + + + + + + − [https://longaspire.github.io/blog/%E6%A6%82%E7%8E%87%E5%9B%BE%E6%A8%A1%E5%9E%8B%E6%80%BB%E8%A7%88/ Liitle Stone的个人主页]上专门梳理了概率图模型的重点信息，包括公式推导和常用算法解释，推荐大家学习。
→编者推荐
=== 课程推荐 ===
=== 课程推荐 ===
[[File:图模型的介绍.jpeg|400px| thumb |right| [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季]]]
[[File:图模型的介绍.jpeg|400px| thumb |right| [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季]]]
=== 文章推荐 ===
=== 其他参考资料 ===
==== 文章总结 ====
[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]
[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]
[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。