목차

1 Time and uncertainty

2 Inference: filtering, prediction, smoothing

3 Hidden Markov models

4 Kalman filters

5 Dynamic Bayesian networks

Time and uncertainty

Xt = t 시점에 관측되지 않은 상태 변수들의 집합

Et = t 시점에 관찰된 증거 변수들의 집합

이산적인 시간을 가정한다.

Markov processes (Markov chains)

마르코프 가정

Xt depends on bounded subset of X0:t-1

1차 마르코프 과정: Xt는 Xt-1에만 의존한다 (2차는 두개에 의존)

센서 마르코프 가정

P(Et|X0:t, E0:t-1)=P(Et|Xt)

== 현재 evidence를 생성하는 데에는 현재 상태 하나로 충분하다

*Stationary process (시불변 과정): transition model P(Xt|Xt-1) and sensor model P(Et|Xt) fixed for all t (시간에 따라 확률분포가 바뀌지 않음)

예제