Об этом курсе
Недавно просмотрено: 14,267

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 23 часа на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 23 часа на выполнение

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
25 минуты на завершение

Inference Overview

2 видео ((всего 25 мин.))
1 ч. на завершение

Variable Elimination

4 видео ((всего 56 мин.)), 1 тест
4 видео
Finding Elimination Orderings11мин
1 практическое упражнение
Variable Elimination18мин
Неделя
2
18 ч. на завершение

Belief Propagation Algorithms

9 видео ((всего 150 мин.)), 3 тестов
9 видео
Clique Tree Algorithm - Correctness18мин
Clique Tree Algorithm - Computation16мин
Clique Trees and Independence15мин
Clique Trees and VE16мин
BP In Practice15мин
Loopy BP and Message Decoding21мин
2 практического упражнения
Message Passing in Cluster Graphs10мин
Clique Tree Algorithm10мин
Неделя
3
1 ч. на завершение

MAP Algorithms

5 видео ((всего 74 мин.)), 1 тест
5 видео
Dual Decomposition - Intuition17мин
Dual Decomposition - Algorithm16мин
1 практическое упражнение
MAP Message Passing4мин
Неделя
4
14 ч. на завершение

Sampling Methods

5 видео ((всего 100 мин.)), 3 тестов
5 видео
Gibbs Sampling19мин
Metropolis Hastings Algorithm27мин
2 практического упражнения
Sampling Methods14мин
Sampling Methods PA Quiz8мин
26 минуты на завершение

Inference in Temporal Models

1 видео ((всего 20 мин.)), 1 тест
1 видео
1 практическое упражнение
Inference in Temporal Models6мин
4.6
Рецензии: 55Chevron Right

50%

начал новую карьеру, пройдя эти курсы

20%

получил значимые преимущества в карьере благодаря этому курсу

20%

стал больше зарабатывать или получил повышение

Лучшие отзывы о курсе Probabilistic Graphical Models 2: Inference

автор: ALAug 20th 2019

I have clearly learnt a lot during this course. Even though some things should be updated and maybe completed, I would definitely recommend it to anyone whose interest lies in PGMs.

автор: LLMar 12th 2017

Thanks a lot for professor D.K.'s great course for PGM inference part. Really a very good starting point for PGM model and preparation for learning part.

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.

  • Execute the basic steps of a variable elimination or message passing algorithm

    Understand how properties of the graph structure influence the complexity of exact inference, and thereby estimate whether exact inference is likely to be feasible

    Go through the basic steps of an MCMC algorithm, both Gibbs sampling and Metropolis Hastings

    Understand how properties of the PGM influence the efficacy of sampling methods, and thereby estimate whether MCMC algorithms are likely to be effective

    Design Metropolis Hastings proposal distributions that are more likely to give good results

    Compute a MAP assignment by exact inference

    Honors track learners will be able to implement message passing algorithms and MCMC algorithms, and apply them to a real world problem

Остались вопросы? Посетите Центр поддержки учащихся.