À propos de ce cours
4.7
942 notes
217 avis
Spécialisation
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé

Niveau avancé

Heures pour terminer

Approx. 29 heures pour terminer

Recommandé : 7 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

Bayesian NetworkGraphical ModelMarkov Random Field
Spécialisation
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé

Niveau avancé

Heures pour terminer

Approx. 29 heures pour terminer

Recommandé : 7 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
Heures pour terminer
1 heure pour terminer

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 vidéos (Total 35 min), 1 quiz
Video4 vidéos
Overview and Motivation19 min
Distributions4 min
Factors6 min
Quiz1 exercice pour s'entraîner
Basic Definitions8 min
Heures pour terminer
10 heures pour terminer

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 vidéos (Total 190 min), 6 lectures, 4 quiz
Video15 vidéos
Reasoning Patterns9 min
Flow of Probabilistic Influence14 min
Conditional Independence12 min
Independencies in Bayesian Networks18 min
Naive Bayes9 min
Application - Medical Diagnosis9 min
Knowledge Engineering Example - SAMIAM14 min
Basic Operations 13 min
Moving Data Around 16 min
Computing On Data 13 min
Plotting Data 9 min
Control Statements: for, while, if statements 12 min
Vectorization 13 min
Working on and Submitting Programming Exercises 3 min
Reading6 lectures
Setting Up Your Programming Assignment Environment10 min
Installing Octave/MATLAB on Windows10 min
Installing Octave/MATLAB on Mac OS X (10.10 Yosemite and 10.9 Mavericks)10 min
Installing Octave/MATLAB on Mac OS X (10.8 Mountain Lion and Earlier)10 min
Installing Octave/MATLAB on GNU/Linux10 min
More Octave/MATLAB resources10 min
Quiz3 exercices pour s'entraîner
Bayesian Network Fundamentals6 min
Bayesian Network Independencies10 min
Octave/Matlab installation2 min
Semaine
2
Heures pour terminer
1 heure pour terminer

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 vidéos (Total 66 min), 1 quiz
Video4 vidéos
Temporal Models - DBNs23 min
Temporal Models - HMMs12 min
Plate Models20 min
Quiz1 exercice pour s'entraîner
Template Models20 min
Heures pour terminer
11 heures pour terminer

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 vidéos (Total 49 min), 3 quiz
Video4 vidéos
Tree-Structured CPDs14 min
Independence of Causal Influence13 min
Continuous Variables13 min
Quiz2 exercices pour s'entraîner
Structured CPDs8 min
BNs for Genetic Inheritance PA Quiz22 min
Semaine
3
Heures pour terminer
17 heures pour terminer

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 vidéos (Total 106 min), 3 quiz
Video7 vidéos
General Gibbs Distribution15 min
Conditional Random Fields22 min
Independencies in Markov Networks4 min
I-maps and perfect maps20 min
Log-Linear Models22 min
Shared Features in Log-Linear Models8 min
Quiz2 exercices pour s'entraîner
Markov Networks8 min
Independencies Revisited6 min
Semaine
4
Heures pour terminer
21 heures pour terminer

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 vidéos (Total 61 min), 3 quiz
Video3 vidéos
Utility Functions18 min
Value of Perfect Information17 min
Quiz2 exercices pour s'entraîner
Decision Theory8 min
Decision Making PA Quiz18 min
4.7
217 avisChevron Right
Orientation de carrière

25%

a commencé une nouvelle carrière après avoir terminé ces cours
Avantage de carrière

27%

a bénéficié d'un avantage concret dans sa carrière grâce à ce cours
Promotion de carrière

14%

a obtenu une augmentation de salaire ou une promotion

Meilleurs avis

par 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!!

par 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).

Enseignant

Avatar

Daphne Koller

Professor
School of Engineering

À propos de Université de Stanford

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....

À propos de la Spécialisation Modèles graphiques probabilistes

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....
Modèles graphiques probabilistes

Foire Aux Questions

  • Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.

  • Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

  • 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

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.