À propos de ce cours
16,584 consultations récentes

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. 23 heures pour terminer

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

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. 23 heures pour terminer

Anglais

Sous-titres : Anglais

Les étudiants prenant part à ce Course sont

  • Machine Learning Engineers
  • Data Scientists
  • Research Assistants
  • Researchers
  • Scientists

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
25 minutes pour terminer

Inference Overview

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

Variable Elimination

4 vidéos (Total 56 min), 1 quiz
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
18 heures pour terminer

Belief Propagation Algorithms

9 vidéos (Total 150 min), 3 quiz
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
1 heure pour terminer

MAP Algorithms

5 vidéos (Total 74 min), 1 quiz
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
14 heures pour terminer

Sampling Methods

5 vidéos (Total 100 min), 3 quiz
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

1 vidéo (Total 20 min), 1 quiz
1 vidéo
1 exercice pour s'entraîner
Inference in Temporal Models6 min
4.6
56 avisChevron Right

50%

a commencé une nouvelle carrière après avoir terminé ces cours

20%

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

20%

a obtenu une augmentation de salaire ou une promotion

Principaux examens pour Probabilistic Graphical Models 2: Inference

par ATAug 23rd 2019

Just like the first course of the specialization, this course is really good. It is well organized and taught in the best way which really helped me to implement similar ideas for my projects.

par ALAug 20th 2019

I have clearly learnt a lot during this course. Even though some things should be updated and maybe completed, I would definitely recommend it to anyone whose interest lies in PGMs.

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 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

  • 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.