نگار شهسوار
یادگیری ساختاری شبکه های بیزی با استفاده از نمونه گیری گیبس
- دانشجو
- نگار شهسوار
- استاد راهنما
- وحید رضایی تبار
- استاد مشاور
- رضا پورطاهری
- استاد داور
- حمیدرضا نواب پور
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۲۷ شهریور ۱۴۰۱
- ساعت دفاع
- چکیده
-
مدلهای گرافیکی نشان دهنده نمای کلی ساختار مدل هستند و برای بررسی روابط علت و معلولی میان متغیرها استفاده می‌شوند. در این مدل‌ها رأس‌‌ای گراف، متغیرهای تصادفی و یال ها نشان دهنده وابستگی میان متغیرها هستند. در این پایان‌نامه گرافهای بی‌دور سودار(DAG) که نوع خاصی از مدلهای گرافیکی هستند بررسی می‌شوند. یادگیری این نوع گراف‌ها به صورت ساختاری انجام می‌شود و هدف پیدا کردن گرافی است که بیش‌ترین تطابق را با داده‌ها داشته باشد. یادگیری ساختاری گرافهای بی‌دور سودار روش‌ها مختلفی دارند که یکی از مهم‌ترین آن‌ها روش مونت کارلوی زنجیر مارکوفی )MCMC( است.یکی از انواع روش مونت کارلوی زنجیر مارکوفی، نمونه‌گیری گیبس است که در آن با استفاده از احتمال‌های شرطی کامل، گراف نهایی انتخاب می‌شود. در این پایان‌نامه حالت خاصی از نمونه‌گیری گیبس برای یادگیری ساختاری گراف بی‌دور سودار استفاده شده و کاربرد آن بر مجموعه داده شبیه سازی، پیاده و نتیجه‌گیری شده است.
- Abstract
-
Graphic models represent the general view of the model structure and are used to examine the cause- and-effect relationships between variables. In these models, the vertices of the graph are random vari- ables and the edges represent the dependencies between the variables. this thesis examines DAGs, which are a special type of graphic model. Learning of this type of graph is structurally and the goal is to find the graph that is most consistent with the data. Structural learning of directed acyclic graphs has Different methods One of the most important of them is the Monte Carlo Markov chain method (MCMC). One of the types of Monte Carlo Markov chain method is Gi sampling in which the final graph is selected using full conditional probabilities. this thesis has been used a special method of Gi for Structural Learning in directed acyclic Graphs and applied to the simulated data set, implemented and concluded.