À propos de ce cours

19,490 consultations récentes

Résultats de carrière des étudiants

50%

ont commencé une nouvelle carrière après avoir terminé ce cours

20%

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

20%

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. 36 heures pour terminer
Anglais
Sous-titres : Anglais

Compétences que vous acquerrez

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

Résultats de carrière des étudiants

50%

ont commencé une nouvelle carrière après avoir terminé ce cours

20%

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

20%

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. 36 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

Semaine
1

Semaine 1

25 minutes pour terminer

Inference Overview

25 minutes pour terminer
2 vidéos (Total 25 min)
2 vidéos
Overview: MAP Inference9 min
1 heure pour terminer

Variable Elimination

1 heure pour terminer
4 vidéos (Total 56 min)
4 vidéos
Complexity of Variable Elimination12 min
Graph-Based Perspective on Variable Elimination15 min
Finding Elimination Orderings11 min
1 exercice pour s'entraîner
Variable Elimination18 min
Semaine
2

Semaine 2

18 heures pour terminer

Belief Propagation Algorithms

18 heures pour terminer
9 vidéos (Total 150 min)
9 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
2 exercices pour s'entraîner
Message Passing in Cluster Graphs10 min
Clique Tree Algorithm10 min
Semaine
3

Semaine 3

1 heure pour terminer

MAP Algorithms

1 heure pour terminer
5 vidéos (Total 74 min)
5 vidéos
Finding a MAP Assignment3 min
Tractable MAP Problems15 min
Dual Decomposition - Intuition17 min
Dual Decomposition - Algorithm16 min
1 exercice pour s'entraîner
MAP Message Passing4 min
Semaine
4

Semaine 4

14 heures pour terminer

Sampling Methods

14 heures pour terminer
5 vidéos (Total 100 min)
5 vidéos
Markov Chain Monte Carlo14 min
Using a Markov Chain15 min
Gibbs Sampling19 min
Metropolis Hastings Algorithm27 min
2 exercices pour s'entraîner
Sampling Methods14 min
Sampling Methods PA Quiz8 min
26 minutes pour terminer

Inference in Temporal Models

26 minutes pour terminer
1 vidéo (Total 20 min)
1 vidéo
1 exercice pour s'entraîner
Inference in Temporal Models6 min

Avis

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE

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

  • 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.
  • 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.

  • 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

  • Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.

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