Об этом курсе
4.7
Оценки: 910
Рецензии: 212
Специализация

Курс 1 из 3 в программе

100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень

Продвинутый уровень

Часов на завершение

Прибл. 29 часа на выполнение

Предполагаемая нагрузка: 7 hours/week...
Доступные языки

Английский

Субтитры: Английский

Приобретаемые навыки

Bayesian NetworkGraphical ModelMarkov Random Field
Специализация

Курс 1 из 3 в программе

100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Продвинутый уровень

Продвинутый уровень

Часов на завершение

Прибл. 29 часа на выполнение

Предполагаемая нагрузка: 7 hours/week...
Доступные языки

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
Часов на завершение
1 ч. на завершение

Introduction and Overview

This module provides an overall introduction to probabilistic graphical models, and defines a few of the key concepts that will be used later in the course....
Reading
4 видео ((всего 35 мин.)), 1 тест
Video4 видео
Welcome!3мин
Overview and Motivation19мин
Distributions4мин
Factors6мин
Quiz1 практическое упражнение
Basic Definitions8мин
Часов на завершение
10 ч. на завершение

Bayesian Network (Directed Models)

In this module, we define the Bayesian network representation and its semantics. We also analyze the relationship between the graph structure and the independence properties of a distribution represented over that graph. Finally, we give some practical tips on how to model a real-world situation as a Bayesian network....
Reading
15 видео ((всего 190 мин.)), 6 материалов для самостоятельного изучения, 4 тестов
Video15 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
Reading6 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
Quiz3 практического упражнения
Bayesian Network Fundamentals6мин
Bayesian Network Independencies10мин
Octave/Matlab installation2мин
Неделя
2
Часов на завершение
1 ч. на завершение

Template Models for Bayesian Networks

In many cases, we need to model distributions that have a recurring structure. In this module, we describe representations for two such situations. One is temporal scenarios, where we want to model a probabilistic structure that holds constant over time; here, we use Hidden Markov Models, or, more generally, Dynamic Bayesian Networks. The other is aimed at scenarios that involve multiple similar entities, each of whose properties is governed by a similar model; here, we use Plate Models....
Reading
4 видео ((всего 66 мин.)), 1 тест
Video4 видео
Temporal Models - DBNs23мин
Temporal Models - HMMs12мин
Plate Models20мин
Quiz1 практическое упражнение
Template Models20мин
Часов на завершение
11 ч. на завершение

Structured CPDs for Bayesian Networks

A table-based representation of a CPD in a Bayesian network has a size that grows exponentially in the number of parents. There are a variety of other form of CPD that exploit some type of structure in the dependency model to allow for a much more compact representation. Here we describe a number of the ones most commonly used in practice....
Reading
4 видео ((всего 49 мин.)), 3 тестов
Video4 видео
Tree-Structured CPDs14мин
Independence of Causal Influence13мин
Continuous Variables13мин
Quiz2 практического упражнения
Structured CPDs8мин
BNs for Genetic Inheritance PA Quiz22мин
Неделя
3
Часов на завершение
17 ч. на завершение

Markov Networks (Undirected Models)

In this module, we describe Markov networks (also called Markov random fields): probabilistic graphical models based on an undirected graph representation. We discuss the representation of these models and their semantics. We also analyze the independence properties of distributions encoded by these graphs, and their relationship to the graph structure. We compare these independencies to those encoded by a Bayesian network, giving us some insight on which type of model is more suitable for which scenarios....
Reading
7 видео ((всего 106 мин.)), 3 тестов
Video7 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
Quiz2 практического упражнения
Markov Networks8мин
Independencies Revisited6мин
Неделя
4
Часов на завершение
21 ч. на завершение

Decision Making

In this module, we discuss the task of decision making under uncertainty. We describe the framework of decision theory, including some aspects of utility functions. We then talk about how decision making scenarios can be encoded as a graphical model called an Influence Diagram, and how such models provide insight both into decision making and the value of information gathering....
Reading
3 видео ((всего 61 мин.)), 3 тестов
Video3 видео
Utility Functions18мин
Value of Perfect Information17мин
Quiz2 практического упражнения
Decision Theory8мин
Decision Making PA Quiz18мин
4.7
Рецензии: 212Chevron Right
Формирование карьерного пути

17%

начал новую карьеру, пройдя эти курсы
Карьерные преимущества

27%

получил значимые преимущества в карьере благодаря этому курсу
Продвижение по карьерной лестнице

15%

стал больше зарабатывать или получил повышение

Лучшие рецензии

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).

Преподаватель

Avatar

Daphne Koller

Professor
School of Engineering

О Stanford University

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....

О специализации ''Probabilistic Graphical Models '

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....
Probabilistic Graphical Models

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.