Об этом курсе

Недавно просмотрено: 19,393

Карьерные результаты учащихся

50%

начал новую карьеру, пройдя эти курсы

20%

получил значимые преимущества в карьере благодаря этому курсу

20%

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. 36 часов на выполнение
Английский
Субтитры: Английский

Приобретаемые навыки

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

Карьерные результаты учащихся

50%

начал новую карьеру, пройдя эти курсы

20%

получил значимые преимущества в карьере благодаря этому курсу

20%

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. 36 часов на выполнение
Английский
Субтитры: Английский

от партнера

Логотип Стэнфордский университет

Стэнфордский университет

Программа курса: что вы изучите

Неделя
1

Неделя 1

25 минут на завершение

Inference Overview

25 минут на завершение
2 видео ((всего 25 мин.))
2 видео
Overview: MAP Inference9мин
1 ч. на завершение

Variable Elimination

1 ч. на завершение
4 видео ((всего 56 мин.))
4 видео
Complexity of Variable Elimination12мин
Graph-Based Perspective on Variable Elimination15мин
Finding Elimination Orderings11мин
1 практическое упражнение
Variable Elimination18мин
Неделя
2

Неделя 2

18 ч. на завершение

Belief Propagation Algorithms

18 ч. на завершение
9 видео ((всего 150 мин.))
9 видео
Properties of Cluster Graphs15мин
Properties of Belief Propagation9мин
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 практических упражнения
Message Passing in Cluster Graphs10мин
Clique Tree Algorithm10мин
Неделя
3

Неделя 3

1 ч. на завершение

MAP Algorithms

1 ч. на завершение
5 видео ((всего 74 мин.))
5 видео
Finding a MAP Assignment3мин
Tractable MAP Problems15мин
Dual Decomposition - Intuition17мин
Dual Decomposition - Algorithm16мин
1 практическое упражнение
MAP Message Passing4мин
Неделя
4

Неделя 4

14 ч. на завершение

Sampling Methods

14 ч. на завершение
5 видео ((всего 100 мин.))
5 видео
Markov Chain Monte Carlo14мин
Using a Markov Chain15мин
Gibbs Sampling19мин
Metropolis Hastings Algorithm27мин
2 практических упражнения
Sampling Methods14мин
Sampling Methods PA Quiz8мин
26 минут на завершение

Inference in Temporal Models

26 минут на завершение
1 видео ((всего 20 мин.))
1 видео
1 практическое упражнение
Inference in Temporal Models6мин

Рецензии

Лучшие отзывы о курсе PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE

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

  • Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.

    • Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
    • Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
  • 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

  • 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.