Probabilistische Modelle

Ein Glaubensnetzwerk ist ein grafisches Modell, das probabilistische Beziehungen zwischen Variablen darstellt.

Ein Beta-Verteilungs-Prior ist ein statistisches Modell, das in der Bayesian-Statistik verwendet wird, um Überzeugungen über Wahrscheinlichkeiten darzustellen.

Exakte Inferenz ist eine statistische Methode, die die genauen Wahrscheinlichkeiten von Ergebnissen in einem probabilistischen Modell berechnet.

Der Forward-Forward-Algorithmus ist eine Technik, die in Hidden Markov Models zur Berechnung der Wahrscheinlichkeiten von Sequenzen verwendet wird.

Graphische Modelle sind probabilistische Modelle, die komplexe Beziehungen mithilfe von Graphen darstellen.

Gumbel Softmax ist eine Technik für differenzierbares Sampling aus kategorialen Verteilungen im maschinellen Lernen.

Ein Markov-Modell ist ein statistisches Modell, das zukünftige Zustände ausschließlich auf der Grundlage des aktuellen Zustands vorhersagt, ohne Erinnerung an vergangene Zustände.

Ein Markov Random Field (MRF) ist ein graphisches Modell, das die gemeinsame Verteilung einer Menge von Zufallsvariablen mit lokalen Abhängigkeiten darstellt.

Ein Mixture Density Network (MDN) sagt Wahrscheinlichkeitsverteilungen anstelle einzelner Ausgaben voraus, was für komplexe Datenmodellierung nützlich ist.

Ausgabe-Wahrscheinlichkeit bezieht sich auf die Wahrscheinlichkeit eines bestimmten Ergebnisses in einem probabilistischen Modell oder KI-System.

Parameter-Wahrscheinlichkeit bezieht sich auf die Wahrscheinlichkeit bestimmter Modellparameter angesichts der beobachteten Daten.