À propos de ce cours

82,884 consultations récentes

Résultats de carrière des étudiants

23%

ont commencé une nouvelle carrière après avoir terminé ce cours

22%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

11%

a obtenu une augmentation de salaire ou une promotion
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé
Approx. 63 heures pour terminer
Anglais
Sous-titres : Anglais

Compétences que vous acquerrez

Bayesian NetworkGraphical ModelMarkov Random Field

Résultats de carrière des étudiants

23%

ont commencé une nouvelle carrière après avoir terminé ce cours

22%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

11%

a obtenu une augmentation de salaire ou une promotion
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé
Approx. 63 heures pour terminer
Anglais
Sous-titres : Anglais

Enseignant

Offert par

Logo Université de Stanford

Université de Stanford

Programme du cours : ce que vous apprendrez dans ce cours

Évaluation du contenuThumbs Up84%(3,527 notes)Info
Semaine
1

Semaine 1

1 heure pour terminer

Introduction and Overview

1 heure pour terminer
4 vidéos (Total 35 min)
4 vidéos
Overview and Motivation19 min
Distributions4 min
Factors6 min
1 exercice pour s'entraîner
Basic Definitions8 min
10 heures pour terminer

Bayesian Network (Directed Models)

10 heures pour terminer
15 vidéos (Total 190 min), 6 lectures, 4 quiz
15 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
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 Fundamentals6 min
Bayesian Network Independencies10 min
Octave/Matlab installation2 min
Semaine
2

Semaine 2

1 heure pour terminer

Template Models for Bayesian Networks

1 heure pour terminer
4 vidéos (Total 66 min)
4 vidéos
Temporal Models - DBNs23 min
Temporal Models - HMMs12 min
Plate Models20 min
1 exercice pour s'entraîner
Template Models20 min
11 heures pour terminer

Structured CPDs for Bayesian Networks

11 heures pour terminer
4 vidéos (Total 49 min)
4 vidéos
Tree-Structured CPDs14 min
Independence of Causal Influence13 min
Continuous Variables13 min
2 exercices pour s'entraîner
Structured CPDs8 min
BNs for Genetic Inheritance PA Quiz22 min
Semaine
3

Semaine 3

17 heures pour terminer

Markov Networks (Undirected Models)

17 heures pour terminer
7 vidéos (Total 106 min)
7 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
2 exercices pour s'entraîner
Markov Networks8 min
Independencies Revisited6 min
Semaine
4

Semaine 4

21 heures pour terminer

Decision Making

21 heures pour terminer
3 vidéos (Total 61 min)
3 vidéos
Utility Functions18 min
Value of Perfect Information17 min
2 exercices pour s'entraîner
Decision Theory8 min
Decision Making PA Quiz18 min

Avis

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 1: REPRESENTATION

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....
Modèles graphiques probabilistes

Foire Aux Questions

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • 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.

  • Si vous vous abonnez, vous bénéficiez d'une période d'essai gratuite de 7 jours, durant laquelle vous pouvez annuler votre abonnement sans pénalité. Ensuite, nous n'accordons plus de remboursements, mais vous pouvez annuler votre abonnement à tout instant. Consultez notre politique de remboursement complète.

  • Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.

  • 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.