Andrew Ng: Qual é o futuro dos modelos gráficos Probabilísticos?

Bem, eu sempre disse que os PGMs são como integração multivariada ou combinatória. Eles são uma classe realmente importante de teoria e métodos para entender muita modelagem (neste caso, normalmente em sistemas inteligentes). Eles vão continuar assim. Nada vai mudar.

Não vejo os PGMs como competindo com ferramentas como GLMs (modelos lineares generalizados) ou DNNs (redes neurais profundas) ou NMF (factorização matricial não negativa), ou SVMs, LDA, PCA, kNN, etc., que estão muito mais próximos do nível de aplicação. Embora alguns grupos "vendam" PGMs, por exemplo, software e sistemas de diagnóstico, para modelagem, e façam bem.

Geralmente, você não vê anúncios de emprego para "deve conhecer Fourier transforma" ou "confortável com o uso de identidades fatoriais". Da mesma forma, eu não espero ver anúncios de empregos pedindo "familiaridade com o algoritmo de soma-produto"

No entanto, quanto ao treinamento avançado em aprendizagem de máquinas (PhD ou talvez Masters), se as pessoas não souberem o básico, por exemplo, como álgebra linear, distribuições familiares exponenciais, MCMC, otimização simples, estruturas de dados e algoritmos, e modelos gráficos probabilísticos, eu os acho severamente carentes em habilidades. Isto porque, como uma ferramenta conceptual, explica e sustenta uma enorme quantidade de teoria de aprendizagem. Os PGMs não são tão importantes como a álgebra linear, ou o cálculo básico, mas são próximos.