Ce cours fait partie de la Spécialisation Modèles graphiques probabilistes

4.6
étoiles
1,402 évaluations

84 %

Daphne Koller

84 695 déjà inscrits

Offert par

Spécialisation Modèles graphiques probabilistes Université de Stanford

À propos de ce cours

35 631 consultations récentes

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. 
This course is the first in a sequence of three. It describes the two basic PGM representations: Bayesian Networks, which rely on a directed graph; and Markov networks, which use an undirected graph. The course discusses both the theoretical properties of these representations as well as their use in practice. The (highly recommended) honors track contains several hands-on assignments on how to represent some real-world problems. The course also presents some important extensions beyond the basic PGM representation, which allow more complex models to be encoded compactly.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 1 sur 3 dans le

Spécialisation Modèles graphiques probabilistes

Niveau avancé

Approx. 67 heures pour terminer

Anglais

Compétences que vous acquerrez

Bayesian Network
Graphical Model
Markov Random Field

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 1 sur 3 dans le

Spécialisation Modèles graphiques probabilistes

Niveau avancé

Approx. 67 heures pour terminer

Anglais

Enseignant

Évaluation de l'enseignant

4,66/5 (83 évaluations)

Daphne Koller

Professor

School of Engineering

88 422 étudiants

3 cours

Offert par

Université de Stanford

Programme de cours : ce que vous apprendrez dans ce cours

Évaluation du contenu84%(3,997 évaluations)

Semaine

Semaine 1

1 heure pour terminer

Introduction and Overview

1 heure pour terminer

4 vidéos (Total 35 min)

12 heures pour terminer

Bayesian Network (Directed Models)

12 heures pour terminer

15 vidéos (Total 190 min), 6 lectures, 4 quiz

15 vidéos

Semantics & Factorization17 min

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

6 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

3 exercices pour s'entraîner

Bayesian Network Fundamentals30 min

Bayesian Network Independencies30 min

Octave/Matlab installation30 min

Semaine

Semaine 2

2 heures 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.

2 heures pour terminer

4 vidéos (Total 66 min)

12 heures pour terminer

Structured CPDs for Bayesian Networks

12 heures pour terminer

4 vidéos (Total 49 min)

Semaine

Semaine 3

18 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.

18 heures pour terminer

7 vidéos (Total 106 min)

Semaine

Semaine 4

22 heures pour terminer

Decision Making

22 heures pour terminer

3 vidéos (Total 61 min)

Avis

4.6

311 avis

5 stars
74,76 %
4 stars
17,74 %
3 stars
5,20 %
2 stars
0,99 %
1 star
1,28 %

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 1: REPRESENTATION

par AL19 juil. 2019

Some parts are challenging enough in the PAs, if you are familiar with Matlab this course is a great opportunity to get familiar with PGMs and learn to handle these.

par CB16 juil. 2017

learned a lot. lectures were easy to follow and the textbook was able to more fully explain things when I needed it. looking forward to the next course in the series.

par SR1 mars 2018

This subject covered in this course is very helpful for me who interested in inference methods, machine learning, computer vision, and optimization.

par HE15 févr. 2020

I really enjoyed attending this course. It is foundational material for anyone who wants to use graphical models for inference and decision making..

Voir tous les avis

À propos du 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.

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
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.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.
Learning Outcomes: By the end of this course, you will be able to
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 Étudiants.

Probabilistic Graphical Models 1: Representation

À propos de ce cours

Compétences que vous acquerrez