مقدمه ای بر نمودارهای دانش احتمالی: استنتاج مبتنی بر هوش مصنوعی و کاربردهای دنیای واقعی

مدرس Vaibhava Lakshmi Ravideshik

انتشار 2026/01/14

مدت زمان 5h

سطح مناسب همه

فایل تمرینی ندارد

آموزش Introduction to Probabilistic Knowledge Graphs: AI-Driven Inference and Real-World Applications

نمودارهای دانش احتمالی (PKGs) در حال تغییر نحوه ساختار و تجزیه و تحلیل داده ها در هوش مصنوعی و یادگیری ماشین هستند. در این دوره، مهندس هوش مصنوعی و نویسنده Vaibhava Lakshmi Ravideshik مبانی نمودارهای دانش را معرفی می کند و نشان می دهد که چگونه نظریه احتمال به مدیریت عدم قطعیت در داده ها کمک می کند. از طریق مثال‌های عملی، یاد بگیرید که چگونه PKG بسازید، استدلال احتمالی را ادغام کنید، و تکنیک‌های استنتاج مانند زنجیره مارکوف مونت کارلو (MCMC) را به کار ببرید. برنامه های کاربردی دنیای واقعی را در تصمیم گیری، ارزیابی ریسک و مدل سازی پیش بینی کاوش کنید و در مورد چالش های مقیاس بندی و روندهای نوظهور که آینده PKG را شکل می دهند، بینشی به دست آورید.

AI for Data Engineers Artificial Intelligence (AI) Data AI Graph Databases Predictive Analytics Probabilistic Knowledge Graphs

Introduction

Diving into the world of probabilistic knowledge graphs ()

1. What Are Knowledge Graphs?

What are knowledge graphs (KGs)? ()

Core components of a knowledge graph ()

Why knowledge graphs for AI? ()

Real-world KG I: Google's knowledge graph ()

Real-world KG II: DBpedia ()

Simple KG implementation, part I ()

Simple KG implementation, part 2 ()

LLM-based KG implementation, part 1 ()

LLM-based KG implementation, part 2 ()

Summary: Basics of knowledge graphs ()

2. Overview of Probability Concepts

Foundations of probability theory ()

Random variables and distributions ()

Expectation and variance ()

Conditional probability and Bayes' Theorem ()

Bayesian networks ()

Directed edges and influence flow ()

Probabilistic modeling basics for PKGs ()

The urge for MCMC ()

MCMC and intuition ()

The Metropolis-Hastings algorithm ()

From sampling to confidence ()

Hamiltonian Monte Carlo (HMC) ()

No-U-Turn Sampler (NUTS) ()

Basics of Pyro programming, part 1 ()

Basics of Pyro programming, part 2 ()

A wrap-up on probabilistic concepts for knowledge graphs ()

3. Introducing Uncertainty in Knowledge Graphs

Uncertainty: The reason we build PKGs ()

Sources of uncertainty ()

Example: Uncertainty in a medical KG ()

Risks of ignoring uncertainty ()

Confidence and provenance ()

Building probabilistic KGs, part 1 ()

Building probabilistic KGs, part 2 ()

A wrap-up on uncertainty ()

4. Data Sources and Collection Methods

Graph schema design ()

Example ontology template ()

Structured data for PKGs ()

Typical structured sources ()

Limitations of structured data ()

Real-world example: Structured data ()

Unstructured data for PKGs ()

Limitations of unstructured data ()

Example: Biomedical literature mining ()

Wrapping up data types for PKGs ()

5. Inferencing with PKGs

Preview of KGEs ()

Bayesian PKG using KG embeddings ()

What is inference in a PKG? ()

Inference approaches in PKGs ()

PSL ()

Markov logic networks ()

Probabilistic graphical models ()

Path-based probabilistic reasoning ()

Bayesian inference using Pyro, part 1 ()

Bayesian inference using Pyro, part 2 ()

Bayesian inference using Pyro, part 3 ()

6. PKGs in Modern AI Systems

PKGs as a technical and philosophical approach ()

Bayesian GNNs, part 1 ()

Bayesian GNNs, part 2 ()

Neurosymbolic systems, part 1 ()

Neurosymbolic systems, part 2 ()

Autonomous agents ()

Justified beliefs rather than absolute answers ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.