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