UCL- Comp0080概率图形模型介绍了概率图形模型（如贝叶斯网络和马尔可夫网络）中近似推理和学习的基础。课程侧重于由条件指数式家庭分布组成的模型，涵盖随机（蒙特卡洛）方法和确定性近似值。学生将讨论这些方法在现实世界机器学习中的应用，包括跟踪和学习问题。
理解和实施最新的近似推理技术。
能够为概率图形模型领域的研究做出贡献。
成功完成本课程后，学生将能够：
掌握近似推理技术的实施。
在概率图形模型领域做出贡献。
该课程涵盖以下主题：
非线性、分层（深度）和分布式模型。
独立组件分析、Boltzmann机器、Dirichlet主题模型和歧管发现。
平均场方法、变分近似和变分贝叶斯。
期望传播。
循环信念传播、伯特自由能和扩展。
凸方法和凸的边界。
蒙特卡罗方法，包括排斥和重要性采样、吉布斯采样、大都市束缚、累加的重要性采样、汉密尔顿蒙特卡洛、切片采样、顺序蒙特卡洛（粒子过滤）。
其他主题根据时间安排。
要有资格选择此课程作为可选或选修课程，学生必须：
在计划和年度学习年份中注册该课程。
已修读概率和无监督学习（Comp0086）课程。
如需了解有关UCL-概率模型中的近似推理和学习 课程辅导以及其他英国课程辅导的详细信息，请随时咨询DR.D留学生辅导机构。
