À propos de ce cours
17,029 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. 24 heures pour terminer

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

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. 24 heures pour terminer

Anglais

Sous-titres : Anglais

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
16 minutes pour terminer

Learning: Overview

1 vidéo (Total 16 min)
1 vidéo
1 heure pour terminer

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

6 vidéos (Total 59 min)
6 vidéos
Regularization: Cost Function 10 min
Evaluating a Hypothesis 7 min
Model Selection and Train Validation Test Sets 12 min
Diagnosing Bias vs Variance 7 min
Regularization and Bias Variance11 min
2 heures pour terminer

Parameter Estimation in Bayesian Networks

5 vidéos (Total 77 min), 2 quiz
5 vidéos
Maximum Likelihood Estimation for Bayesian Networks15 min
Bayesian Estimation15 min
Bayesian Prediction13 min
Bayesian Estimation for Bayesian Networks17 min
2 exercices pour s'entraîner
Learning in Parametric Models18 min
Bayesian Priors for BNs8 min
Semaine
2
21 heures pour terminer

Learning Undirected Models

3 vidéos (Total 52 min), 2 quiz
3 vidéos
Maximum Likelihood for Conditional Random Fields13 min
MAP Estimation for MRFs and CRFs9 min
1 exercice pour s'entraîner
Parameter Estimation in MNs6 min
Semaine
3
17 heures pour terminer

Learning BN Structure

7 vidéos (Total 106 min), 3 quiz
7 vidéos
Likelihood Scores16 min
BIC and Asymptotic Consistency11 min
Bayesian Scores20 min
Learning Tree Structured Networks12 min
Learning General Graphs: Heuristic Search23 min
Learning General Graphs: Search and Decomposability15 min
2 exercices pour s'entraîner
Structure Scores10 min
Tree Learning and Hill Climbing8 min
Semaine
4
22 heures pour terminer

Learning BNs with Incomplete Data

5 vidéos (Total 83 min), 3 quiz
5 vidéos
Expectation Maximization - Intro16 min
Analysis of EM Algorithm11 min
EM in Practice11 min
Latent Variables22 min
2 exercices pour s'entraîner
Learning with Incomplete Data8 min
Expectation Maximization14 min
4.6
35 avisChevron Right

43%

ont commencé une nouvelle carrière après avoir terminé ce cours

29%

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

17%

a obtenu une augmentation de salaire ou une promotion

Meilleurs avis pour Probabilistic Graphical Models 3: Learning

par LLJan 30th 2018

very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.

par ZZFeb 14th 2017

Great course! Very informative course videos and challenging yet rewarding programming assignments. Hope that the mentors can be more helpful in timely responding for questions.

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.

  • Compute the sufficient statistics of a data set that are necessary for learning a PGM from data

    Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks

    Implement maximum likelihood and MAP parameter estimation for Markov networks

    Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation

    Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs

    Implement the Expectation Maximization (EM) algorithm for Bayesian networks

    Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

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