Couvre le concept de la famille exponentielle et discute des cartes en avant et en arrière, des calculs coûteux, des paramètres, des fonctions et de la convexité.
Explore l'inférence causale, les graphiques dirigés et l'équité dans les algorithmes, en mettant l'accent sur l'indépendance conditionnelle et les implications des GAD.
Explore les réseaux dirigés avec des relations asymétriques et des hypergraphes qui généralisent les graphiques en permettant aux bords de connecter n'importe quel sous-ensemble de nœuds.
Explore l'apprentissage à partir de données interconnectées avec des graphiques, couvrant les objectifs de recherche modernes de ML, les méthodes pionnières, les applications interdisciplinaires, et la démocratisation du graphique ML.
