À propos de ce cours

14,066 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. 66 heures pour terminer
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. 66 heures pour terminer
Anglais

Offert par

Placeholder

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 Models30 min
Bayesian Priors for BNs30 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 MNs30 min
Semaine
3

Semaine 3

18 heures pour terminer

Learning BN Structure

18 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 Scores30 min
Tree Learning and Hill Climbing30 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 Data30 min
Expectation Maximization30 min

Avis

Meilleurs avis pour PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Voir tous les avis

À propos du Spécialisation Modèles graphiques probabilistes

Modèles graphiques probabilistes

Foire Aux Questions

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