¿Cómo se relacionan los modelos gráficos probabilísticos (PGM) con el aprendizaje automático?

Primero necesitas saber qué es un PGM. Un PGM es una forma matemática de codificar las relaciones probabilísticas (como independencia y dependencia condicional) entre las variables aleatorias en cuestión en un gráfico. Por lo general, los nodos en el gráfico son variables aleatorias y los bordes codifican dependencia o independencia probabilística. Esto solo nos dice cómo creemos que las variables están relacionadas en nuestro modelo generativo (probabilístico) y también, por lo general, cómo los factores del modelo.

Luego hay diferentes cosas que puedes aprender (mencionaré las que recuerdo). Por ejemplo, una vez que tiene un modelo especificado por un PGM, puede aprenderlo de los datos. es decir, puede aprender de los datos cuál es la probabilidad de cada distribución condicional que codifica su gráfico de los datos (o cada factor de la PGM), es decir, puede aprender la distribución conjunta y las partes que la componen. Las partes que lo componen están especificadas por el modelo gráfico que especificó. ¿Cómo a partir de los datos? Puede hacerlo con la máxima probabilidad o MAP o, si tiene un previo, también puede hacerlo utilizando métodos bayesianos. También puede aprender las relaciones con las variables a partir de los datos, es decir, la estructura gráfica a partir de los datos. Puede usar el algoritmo EM si algunos de sus nodos no son observables.

Para que pueda aprender las distribuciones de probabilidad, las probabilidades reales o cómo se ve la distribución.