Об этом курсе

Недавно просмотрено: 82,627

Карьерные результаты учащихся

23%

начал новую карьеру, пройдя эти курсы

22%

получил значимые преимущества в карьере благодаря этому курсу

11%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 63 часа на выполнение
Английский
Субтитры: Английский

Приобретаемые навыки

Bayesian NetworkGraphical ModelMarkov Random Field

Карьерные результаты учащихся

23%

начал новую карьеру, пройдя эти курсы

22%

получил значимые преимущества в карьере благодаря этому курсу

11%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень
Прибл. 63 часа на выполнение
Английский
Субтитры: Английский

Преподаватели

от партнера

Логотип Стэнфордский университет

Стэнфордский университет

Программа курса: что вы изучите

Оценка контентаThumbs Up84%(3,527 оценки)Info
Неделя
1

Неделя 1

1 ч. на завершение

Introduction and Overview

1 ч. на завершение
4 видео ((всего 35 мин.))
4 видео
Welcome!3мин
Overview and Motivation19мин
Distributions4мин
Factors6мин
1 практическое упражнение
Basic Definitions8мин
10 ч. на завершение

Bayesian Network (Directed Models)

10 ч. на завершение
15 видео ((всего 190 мин.)), 6 материалов для самостоятельного изучения, 4 тестов
15 видео
Reasoning Patterns9мин
Flow of Probabilistic Influence14мин
Conditional Independence12мин
Independencies in Bayesian Networks18мин
Naive Bayes9мин
Application - Medical Diagnosis9мин
Knowledge Engineering Example - SAMIAM14мин
Basic Operations 13мин
Moving Data Around 16мин
Computing On Data 13мин
Plotting Data 9мин
Control Statements: for, while, if statements 12мин
Vectorization 13мин
Working on and Submitting Programming Exercises 3мин
6 материалов для самостоятельного изучения
Setting Up Your Programming Assignment Environment10мин
Installing Octave/MATLAB on Windows10мин
Installing Octave/MATLAB on Mac OS X (10.10 Yosemite and 10.9 Mavericks)10мин
Installing Octave/MATLAB on Mac OS X (10.8 Mountain Lion and Earlier)10мин
Installing Octave/MATLAB on GNU/Linux10мин
More Octave/MATLAB resources10мин
3 практических упражнения
Bayesian Network Fundamentals6мин
Bayesian Network Independencies10мин
Octave/Matlab installation2мин
Неделя
2

Неделя 2

1 ч. на завершение

Template Models for Bayesian Networks

1 ч. на завершение
4 видео ((всего 66 мин.))
4 видео
Temporal Models - DBNs23мин
Temporal Models - HMMs12мин
Plate Models20мин
1 практическое упражнение
Template Models20мин
11 ч. на завершение

Structured CPDs for Bayesian Networks

11 ч. на завершение
4 видео ((всего 49 мин.))
4 видео
Tree-Structured CPDs14мин
Independence of Causal Influence13мин
Continuous Variables13мин
2 практических упражнения
Structured CPDs8мин
BNs for Genetic Inheritance PA Quiz22мин
Неделя
3

Неделя 3

17 ч. на завершение

Markov Networks (Undirected Models)

17 ч. на завершение
7 видео ((всего 106 мин.))
7 видео
General Gibbs Distribution15мин
Conditional Random Fields22мин
Independencies in Markov Networks4мин
I-maps and perfect maps20мин
Log-Linear Models22мин
Shared Features in Log-Linear Models8мин
2 практических упражнения
Markov Networks8мин
Independencies Revisited6мин
Неделя
4

Неделя 4

21 ч. на завершение

Decision Making

21 ч. на завершение
3 видео ((всего 61 мин.))
3 видео
Utility Functions18мин
Value of Perfect Information17мин
2 практических упражнения
Decision Theory8мин
Decision Making PA Quiz18мин

Рецензии

Лучшие отзывы о курсе PROBABILISTIC GRAPHICAL MODELS 1: REPRESENTATION

Посмотреть все отзывы

Специализация Графические вероятностные модели : общие сведения

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems....
Графические вероятностные модели

Часто задаваемые вопросы

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

  • Когда вы оформите подписку, начнется семидневный бесплатный пробный период, в течение которого подписку можно отменить без штрафа. По истечении этого срока вы не сможете вернуть средства, но сможете отменить подписку в любой момент. Ознакомьтесь с нашей политикой возврата средств.

  • Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее

  • Apply the basic process of representing a scenario as a Bayesian network or a Markov network

    Analyze the independence properties implied by a PGM, and determine whether they are a good match for your distribution

    Decide which family of PGMs is more appropriate for your task

    Utilize extra structure in the local distribution for a Bayesian network to allow for a more compact representation, including tree-structured CPDs, logistic CPDs, and linear Gaussian CPDs

    Represent a Markov network in terms of features, via a log-linear model

    Encode temporal models as a Hidden Markov Model (HMM) or as a Dynamic Bayesian Network (DBN)

    Encode domains with repeating structure via a plate model

    Represent a decision making problem as an influence diagram, and be able to use that model to compute optimal decision strategies and information gathering strategies

    Honors track learners will be able to apply these ideas for complex, real-world problems

Остались вопросы? Посетите Центр поддержки учащихся.