Об этом курсе
Недавно просмотрено: 66,915

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
User
Учащиеся, которые проходят продукт ''Course'
  • Machine Learning Engineers
  • Data Scientists
  • Biostatisticians
  • Research Assistants
  • Researchers

Приобретаемые навыки

Bayesian NetworkGraphical ModelMarkov Random Field
User
Учащиеся, которые проходят продукт ''Course'
  • Machine Learning Engineers
  • Data Scientists
  • Biostatisticians
  • Research Assistants
  • Researchers

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

Программа курса: что вы изучите

Неделя
1
1 ч. на завершение

Introduction and Overview

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

Bayesian Network (Directed Models)

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
1 ч. на завершение

Template Models for Bayesian Networks

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

Structured CPDs for Bayesian Networks

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

Markov Networks (Undirected Models)

7 видео ((всего 106 мин.)), 3 тестов
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
21 ч. на завершение

Decision Making

3 видео ((всего 61 мин.)), 3 тестов
3 видео
Utility Functions18мин
Value of Perfect Information17мин
2 практического упражнения
Decision Theory8мин
Decision Making PA Quiz18мин
4.7
Рецензии: 245Chevron Right

23%

начал новую карьеру, пройдя эти курсы

22%

получил значимые преимущества в карьере благодаря этому курсу

11%

стал больше зарабатывать или получил повышение

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).

Преподаватели

Avatar

Daphne Koller

Professor
School of Engineering

О Стэнфордский университет

The Leland Stanford Junior University, commonly referred to as Stanford University or Stanford, is an American private research university located in Stanford, California on an 8,180-acre (3,310 ha) campus near Palo Alto, California, United States....

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.