Encontré un conjunto de funciones bajo el nombre UGM (modelos gráficos no dirigidos) implementado por Mark Schmidt bastante útil. Puede encontrar una variedad de métodos de descodificación, inferencia y estimación de parámetros aquí.
http://www.di.ens.fr/~mschmidt/S…
Kevin Murphy, su asesor tiene una colección de códigos que tiene CRF, HMM, etc.
- ¿Es cierto que las Redes Adversarias Generativas (GAN) aprenden la función de pérdida automáticamente, y si es así, cómo?
- ¿Cómo analizan los algoritmos de aprendizaje automático y los algoritmos basados en léxico las palabras coloquiales en un análisis de sentimientos de Twitter?
- ¿Es posible generar programas informáticos solo a partir de especificaciones?
- Redes neuronales convolucionales: ¿Qué están haciendo los regresores de cuadro delimitador en Fast-RCNN?
- ¿Por qué tantos geeks de datos se unen a compañías web en lugar de resolver problemas de datos a gran escala en biología?
http://www.cs.ubc.ca/~murphyk/So…
Modelos ocultos de Markov:
http://www.cs.ubc.ca/~murphyk/So…
Bayes net:
https://code.google.com/p/bnt/
El CRF 2D (para imágenes, similar a campos aleatorios discriminativos (DRF)) se puede adaptar de:
http://www.cs.ubc.ca/~murphyk/So…
CRF totalmente conectados con código: (documento NIPS 2011)
Inferencia eficiente en CRF totalmente conectados con potenciales de borde gaussianos
Métodos de Monte Carlo para la inferencia bayesiana en modelos gráficos
http://www.mrc-bsu.cam.ac.uk/bugs/
R tiene filtros kalman / HMM discretos, etc.
http://cran.r-project.org/
Yair Weiss ha publicado mucho trabajo en modelos gráficos y ha puesto a disposición la mayor parte de la implementación:
http://www.cs.huji.ac.il/~yweiss/
