Pemodelan probabilistik
Pemodelan probabilistik adalah pendekatan dalam statistika dan pembelajaran mesin yang menggunakan teori probabilitas untuk merepresentasikan ketidakpastian dalam data dan proses. Metode ini memanfaatkan distribusi probabilitas untuk memodelkan variabel acak, hubungan antar variabel, serta prediksi perilaku sistem berdasarkan data yang tersedia. Pemodelan probabilistik banyak digunakan dalam berbagai bidang, termasuk kecerdasan buatan, analisis risiko, pengolahan bahasa alami, dan visi komputer, karena kemampuannya menangani data yang tidak lengkap atau bising dengan cara yang konsisten secara matematis.
1. Dasar-dasar Pemodelan Probabilistik
- Teori probabilitas
- Variabel acak
- Distribusi probabilitas
- Fungsi massa probabilitas
- Fungsi kepadatan probabilitas
- Teorema Bayes
- Hukum probabilitas total
- Independensi statistik
- Kovarians
- Korelasi
2. Model Probabilistik Dasar
- Model Bernoulli
- Distribusi binomial
- Distribusi Poisson
- Distribusi normal
- Distribusi eksponensial
- Distribusi gamma
- Distribusi beta
- Distribusi multinomial
3. Model Probabilistik Terapan
- Model regresi probabilistik
- Regresi logistik
- Regresi probit
- Model linier umum
- Model campuran Gaussian
- Model campuran finite
- Model Markov tersembunyi
- Model rantai Markov
4. Inferensi Probabilistik
- Inferensi Bayes
- Inferensi frekuentis
- Estimasi maksimum likelihood
- Estimasi maksimum a posteriori
- Sampling Monte Carlo
- Metropolis–Hastings
- Gibbs sampling
- Variational inference
5. Struktur dan Representasi Model
- Graf probabilistik
- Model graf tak berarah
- Model graf berarah
- Jaringan Bayesian
- Jaringan Markov
- Diagram pengaruh
- Faktor graf
== 6. Pemodelan Probabilistik dalam Pembelajaran Mesin]]
- Naive Bayes classifier
- Gaussian naive Bayes
- Bayesian neural network
- Hidden Markov model
- Latent Dirichlet allocation
- Kalman filter
- Particle filter
- Expectation-maximization algorithm