À propos de ce cours
4.6
303 notes
49 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. 23 heures pour terminer

Recommandé : 7 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation
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. 23 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
25 minutes pour terminer

Inference Overview

This module provides a high-level overview of the main types of inference tasks typically encountered in graphical models: conditional probability queries, and finding the most likely assignment (MAP inference)....
Reading
2 vidéos (Total 25 min)
Video2 vidéos
Overview: MAP Inference9 min
Heures pour terminer
1 heure pour terminer

Variable Elimination

This module presents the simplest algorithm for exact inference in graphical models: variable elimination. We describe the algorithm, and analyze its complexity in terms of properties of the graph structure....
Reading
4 vidéos (Total 56 min), 1 quiz
Video4 vidéos
Complexity of Variable Elimination12 min
Graph-Based Perspective on Variable Elimination15 min
Finding Elimination Orderings11 min
Quiz1 exercice pour s'entraîner
Variable Elimination18 min
Semaine
2
Heures pour terminer
18 heures pour terminer

Belief Propagation Algorithms

This module describes an alternative view of exact inference in graphical models: that of message passing between clusters each of which encodes a factor over a subset of variables. This framework provides a basis for a variety of exact and approximate inference algorithms. We focus here on the basic framework and on its instantiation in the exact case of clique tree propagation. An optional lesson describes the loopy belief propagation (LBP) algorithm and its properties....
Reading
9 vidéos (Total 150 min), 3 quiz
Video9 vidéos
Properties of Cluster Graphs15 min
Properties of Belief Propagation9 min
Clique Tree Algorithm - Correctness18 min
Clique Tree Algorithm - Computation16 min
Clique Trees and Independence15 min
Clique Trees and VE16 min
BP In Practice15 min
Loopy BP and Message Decoding21 min
Quiz2 exercices pour s'entraîner
Message Passing in Cluster Graphs10 min
Clique Tree Algorithm10 min
Semaine
3
Heures pour terminer
1 heure pour terminer

MAP Algorithms

This module describes algorithms for finding the most likely assignment for a distribution encoded as a PGM (a task known as MAP inference). We describe message passing algorithms, which are very similar to the algorithms for computing conditional probabilities, except that we need to also consider how to decode the results to construct a single assignment. In an optional module, we describe a few other algorithms that are able to use very different techniques by exploiting the combinatorial optimization nature of the MAP task....
Reading
5 vidéos (Total 74 min), 1 quiz
Video5 vidéos
Finding a MAP Assignment3 min
Tractable MAP Problems15 min
Dual Decomposition - Intuition17 min
Dual Decomposition - Algorithm16 min
Quiz1 exercice pour s'entraîner
MAP Message Passing4 min
Semaine
4
Heures pour terminer
14 heures pour terminer

Sampling Methods

In this module, we discuss a class of algorithms that uses random sampling to provide approximate answers to conditional probability queries. Most commonly used among these is the class of Markov Chain Monte Carlo (MCMC) algorithms, which includes the simple Gibbs sampling algorithm, as well as a family of methods known as Metropolis-Hastings....
Reading
5 vidéos (Total 100 min), 3 quiz
Video5 vidéos
Markov Chain Monte Carlo14 min
Using a Markov Chain15 min
Gibbs Sampling19 min
Metropolis Hastings Algorithm27 min
Quiz2 exercices pour s'entraîner
Sampling Methods14 min
Sampling Methods PA Quiz8 min
Heures pour terminer
26 minutes pour terminer

Inference in Temporal Models

In this brief lesson, we discuss some of the complexities of applying some of the exact or approximate inference algorithms that we learned earlier in this course to dynamic Bayesian networks....
Reading
1 vidéo (Total 20 min), 1 quiz
Video1 vidéo
Quiz1 exercice pour s'entraîner
Inference in Temporal Models6 min
4.6
49 avisChevron Right
Orientation de carrière

50%

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

33%

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

33%

a obtenu une augmentation de salaire ou une promotion

Meilleurs avis

par 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.

par YPMay 29th 2017

I learned pretty much from this course. It answered my quandaries from the representation course, and as well deepened my understanding of PGM.

Enseignant

Avatar

Daphne Koller

Professor
School of Engineering

À propos de Stanford University

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 Probabilistic Graphical Models

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....
Probabilistic Graphical Models

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.

  • 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

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