3.6.3 Markov Chain Monte Carlo (MCM

3.6.3 Markov Chain Monte Carlo (MCMC)
Both the logic sampling and likelihood weighting sampling algorithms generate each
sample individually, starting from scratch. MCMC on the other hand generates a
sample by making a random change to the previous sample. It does this by randomly
sampling a value for one of the non-evidence nodes xi, conditioned on the current
value of the nodes in its Markov blanket, which consists of the parents, children and
children’s parents (see x2.2.2).
The technical details of why MCMC returns consistent estimates for the posterior
probabilities are beyond the scope of this text (see Russell and Norvig, 2010
for details). Note that different uses of MCMC are presented elsewhere in this text,
namely Gibbs sampling (for parameter learning) in x6.3.2.1 and Metropolis search

Kết quả (Việt) 1:

3.6.3 xích Markov Monte Carlo (MCMC)Lấy mẫu logic và khả năng hệ số thuật toán mẫu tạo ra mỗimẫu riêng, bắt đầu từ đầu. MCMC mặt khác tạo ra mộtmẫu bằng cách làm cho một sự thay đổi ngẫu nhiên để mẫu trước đó. Nó không điều này bằng cách ngẫu nhiênLấy mẫu một giá trị cho một trong các nút phòng không bằng chứng xi, lạnh trên hiện tạigiá trị của các nút trong chăn Markov của nó, bao gồm các bậc cha mẹ, trẻ em vàcha mẹ của trẻ em (xem x2.2.2).Các chi tiết kỹ thuật của tại sao MCMC trả về các ước tính phù hợp cho các sauxác suất vượt ra ngoài phạm vi của văn bản này (xem Russell và Norvig, 2010để biết chi tiết). Lưu ý rằng các sử dụng khác nhau của MCMC được trình bày ở nơi khác trong văn bản này,cụ thể là Gibbs lấy mẫu (cho tham số học) trong x6.3.2.1 và tìm kiếm Metropolis

Kết quả (Việt) 2:

3.6.3 Chuỗi Markov Monte Carlo (MCMC)
Cả hai mẫu logic và khả năng trọng thuật toán lấy mẫu tạo ra được mỗi
mẫu riêng, bắt đầu từ đầu. MCMC mặt khác tạo ra một
mẫu bằng cách làm cho một sự thay đổi ngẫu nhiên vào các mẫu trước đó. Nó làm điều này bằng cách ngẫu nhiên
lấy mẫu một giá trị cho một trong những nút không bằng chứng xi, có điều kiện ở hiện tại
giá trị của các nút trong chăn Markov của nó, trong đó bao gồm cha mẹ, trẻ em và
cha mẹ của trẻ em (xem x2.2.2).
Các kỹ thuật chi tiết về lý do tại sao MCMC trả ước tính phù hợp cho hậu
xác suất vượt quá phạm vi của văn bản này (xem Russell và Norvig, 2010
để biết chi tiết). Lưu ý rằng sử dụng khác nhau của MCMC được trình bày ở những nơi khác trong văn bản này,
cụ thể là lấy mẫu Gibbs (cho học tập tham số) trong x6.3.2.1 và Metropolis tìm kiếm