Об этом курсе

Недавно просмотрено: 82,842

Learner Career Outcomes

23%

начал новую карьеру, пройдя эти курсы

22%

получил значимые преимущества в карьере благодаря этому курсу

11%

стал больше зарабатывать или получил повышение

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 30 часа на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

Bayesian NetworkGraphical ModelMarkov Random Field

Learner Career Outcomes

23%

начал новую карьеру, пройдя эти курсы

22%

получил значимые преимущества в карьере благодаря этому курсу

11%

стал больше зарабатывать или получил повышение

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 30 часа на выполнение

Английский

Субтитры: Английский

Преподаватели

Оценка преподавателя4.94/5 (оценок: 19)Info
Изображение преподавателя Daphne Koller

Daphne Koller 

Professor
School of Engineering
67,260 учащегося
3 курса

от партнера

Логотип Стэнфордский университет

Стэнфордский университет

Программа курса: что вы изучите

Оценка контентаThumbs Up84%(3,325 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 практического упражнения
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 материала 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 практического 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 практического упражнения
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 практического 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 практического 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 практического упражнения
Decision Theory8мин
Decision Making PA Quiz18мин
4.7
Рецензии: 259Chevron Right

Лучшие отзывы о курсе Probabilistic Graphical Models 1: Representation

автор: STJul 13th 2017

Prof. Koller did a great job communicating difficult material in an accessible manner. Thanks to her for starting Coursera and offering this advanced course so that we can all learn...Kudos!!

автор: CMOct 23rd 2017

The course was deep, and well-taught. This is not a spoon-feeding course like some others. The only downside were some "mechanical" problems (e.g. code submission didn't work for me).

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

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • 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.

  • 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.