Podczas gdy uczenie maszynowe pozwala na bardzo dokładny opis zależności
statystycznych w danych, jego modelom zwykle brakuje interpretowalności,
są niejednoznaczne: odpowiadają za jedno z wielu minimów lokalnych -
szukanych kosztowną iteracyjną optymalizacją, brakuje kontroli błędów. Z
drugiej strony klasyczna statystyka operuje na momentach które nie mają
powyższych słabości, ale w praktyce pozwalają tylko na bardzo zgrubny
opis. Opowiem o podejściu które łączy ich zalety: operuje na dużej
ilości parametrów podobnych do momentów, też mieszanych dla wspólnych
rozkładów prawdopodobieństwa, które możemy bezpośrednio przetłumaczyć na
rozkłady, są jednoznaczne i bezpośrednio liczone, możemy modelować
zależności między nimi i ewolucję w czasie dla niestacjonarnych szeregów
czasowych. Opowiem o kilku zastosowaniach jak modelowanie rozkładów
warunkowych czy analiza szeregów czasowych.
Slajdy