daphne koller's probabilistic graphical models coursera

1. Overview
Template Models for Bayesian Networks

3. 추가된 Selma도 유전 영향을 Marge처럼 받을 것.
CPD 역시 닮았을 것이다.

4. 특정 이름을 식별

5. 슈퍼픽셀과 엣지를 공유한 다른 슈퍼픽셀에 대한 그래프 모델

6. 다른 과목에도 확장할 수 있다.

9. 1. 템플릿 변수를 어떻게 정의 하는지
2. 템플릿 변수가 속한 그래프 모델을
어떤 모습으로 정의할지
3. 그것을 인스턴스화 하는 방법
그래프의 크기에 대해서 다이나믹하고,
다루는 오브젝트에 따라, 방향성을 줄수도, 안줄수도 있음.

11. Temporal Models
Template Models for Bayesian Networks

13. https://math.stackexchange.com/questions/655589/what-is-difference-between-cycle-path-and-circuit-in-graph-theory?
utm_medium=organic&utm_source=google_rich_qa&utm_campaign=google_rich_qa

14. Trajectory는
각 에지의 최종 정점이
시퀀스의 다음 에지의 초기 정점과 일치하도록 하는
시퀀스 : E1, E2, ..., En입니다.

15. 예를 들어 움직이는 로봇이나 대상이 있다고 할 때 그 것의 다음 위치는 과거 위치과는 상관 없고 현재 위치에만 영향을 받을까요?
출처: http://fabj.tistory.com/22?category=684662 [무난무난]

17. Inter-time slice edge
persistence

21. 2TBN
마치 아래와 같이.

25. Hidden
Markov
Model
Template Models for Bayesian Networks

28. 로봇의 관측 O는 현재 위치와 맵에 좌우 됩니다.
Map은 변하지 않으므로 하나의 노드로만 표현되었습니다.
출처: http://fabj.tistory.com/23?category=684662 [무난무난]

34. 요약하자면, HMM은 단순히 DBN의 하위 클래스로 볼 수 있습니다. 마치 특정 구조를 띄고 있지 않는 것 처럼 보이더라도
그 속에는 상태의 전이 부분에서 sparsity나 변수의 반복 등 전형적 구조를 보입니다. 그리고 위의 예처럼 다양한 분야의
모델링에 응용할 수 있습니다.
출처: http://fabj.tistory.com/23?category=684662 [무난무난]