À propos de ce cours

14,876 consultations récentes

Résultats de carrière des étudiants

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
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. 64 heures pour terminer
Anglais
Sous-titres : Anglais

Compétences que vous acquerrez

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

Résultats de carrière des étudiants

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
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. 64 heures pour terminer
Anglais
Sous-titres : Anglais

Offert par

Logo Université de Stanford

Université de Stanford

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1

Semaine 1

16 minutes pour terminer

Learning: Overview

16 minutes pour terminer
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)

1 heure pour terminer
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

2 heures pour terminer
5 vidéos (Total 77 min)
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

Semaine 2

21 heures pour terminer

Learning Undirected Models

21 heures pour terminer
3 vidéos (Total 52 min)
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

Semaine 3

17 heures pour terminer

Learning BN Structure

17 heures pour terminer
7 vidéos (Total 106 min)
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

Semaine 4

22 heures pour terminer

Learning BNs with Incomplete Data

22 heures pour terminer
5 vidéos (Total 83 min)
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

Avis

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

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

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • 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.

  • 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

  • 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.