Ce cours fait partie de la Spécialisation Modèles graphiques probabilistes

4.6
étoiles
478 évaluations

Daphne Koller

23 661 déjà inscrits

Offert par

Spécialisation Modèles graphiques probabilistes Université de Stanford

À propos de ce cours

9 349 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 second in a sequence of three. Following the first course, which focused on representation, this course addresses the question of probabilistic inference: how a PGM can be used to answer questions. Even though a PGM generally describes a very high dimensional distribution, its structure is designed so as to allow questions to be answered efficiently. The course presents both exact and approximate algorithms for different types of inference tasks, and discusses where each could best be applied. The (highly recommended) honors track contains two hands-on programming assignments, in which key routines of the most commonly used exact and approximate algorithms are implemented and applied to a real-world problem.

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 2 sur 3 dans le

Spécialisation Modèles graphiques probabilistes

Niveau avancé

Approx. 38 heures pour terminer

Anglais

Compétences que vous acquerrez

Inference
Gibbs Sampling
Markov Chain Monte Carlo (MCMC)
Belief Propagation

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 2 sur 3 dans le

Spécialisation Modèles graphiques probabilistes

Niveau avancé

Approx. 38 heures pour terminer

Anglais

Enseignant

Évaluation de l'enseignant

4,81/5 (16 évaluations)

Daphne Koller

Professor

School of Engineering

88 393 étudiants

3 cours

Offert par

Université de Stanford

Programme de cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

25 minutes pour terminer

Inference Overview

25 minutes pour terminer

2 vidéos (Total 25 min)

1 heure pour terminer

Variable Elimination

1 heure pour terminer

4 vidéos (Total 56 min)

Semaine

Semaine 2

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.

18 heures pour terminer

9 vidéos (Total 150 min)

9 vidéos

Belief Propagation Algorithm21 min

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 Graphs30 min

Clique Tree Algorithm30 min

Semaine

Semaine 3

2 heures 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.

2 heures pour terminer

5 vidéos (Total 74 min)

Semaine

Semaine 4

15 heures pour terminer

Sampling Methods

15 heures pour terminer

5 vidéos (Total 100 min)

1 heure pour terminer

Inference in Temporal Models

1 heure pour terminer

1 vidéo (Total 20 min)

Avis

4.6

74 avis

5 stars
71,33 %
4 stars
21,12 %
3 stars
5,23 %
2 stars
1,04 %
1 star
1,25 %

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE

par SP23 juin 2017

Had a wonderful and enriching fun filled experience, Thank you Daphne Ma'am

par LC31 juil. 2018

Very good course. Subject is quiet complex: lack of concrete examples to make sure concepts well understood. Had to review each the Course twice to understand concepts well

par JR21 déc. 2017

Great course! Expect to spend significant time reviewing the material.

par RL23 févr. 2021

Awesome class to gain better understanding of inference for graphical model

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 take a given PGM and
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 Étudiants.

Probabilistic Graphical Models 2: Inference

À propos de ce cours

Compétences que vous acquerrez