Este curso faz parte do Programa de cursos integrados Modelos Gráficos Probabilísticos

4.6
estrelas
1,385 classificações

Daphne Koller

83.292 já se inscreveram

oferecido por

Programa de cursos integrados Modelos Gráficos Probabilísticos Universidade de Stanford

Informações sobre o curso

34.397 visualizações recentes

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 first in a sequence of three. It describes the two basic PGM representations: Bayesian Networks, which rely on a directed graph; and Markov networks, which use an undirected graph. The course discusses both the theoretical properties of these representations as well as their use in practice. The (highly recommended) honors track contains several hands-on assignments on how to represent some real-world problems. The course also presents some important extensions beyond the basic PGM representation, which allow more complex models to be encoded compactly.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 1 de 3 no

Programa de cursos integrados Modelos Gráficos Probabilísticos

Nível avançado

Aprox. 67 horas para completar

Inglês

Habilidades que você terá

Bayesian Network
Graphical Model
Markov Random Field

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 1 de 3 no

Programa de cursos integrados Modelos Gráficos Probabilísticos

Nível avançado

Aprox. 67 horas para completar

Inglês

Instrutores

Classificação do instrutor

4,65/5 (81 classificações)

Daphne Koller

Professor

School of Engineering

86.951 aprendizes

3 Cursos

oferecido por

Universidade de Stanford

Programa - O que você aprenderá com este curso

Classificação do conteúdo84%(3,970 classificações)

Semana

Semana 1

1 hora para concluir

Introduction and Overview

1 hora para concluir

4 vídeos (Total 35 mín.)

12 horas para concluir

Bayesian Network (Directed Models)

12 horas para concluir

15 vídeos (Total 190 mín.), 6 leituras, 4 testes

15 videos

Semantics & Factorization17min

Reasoning Patterns9min

Flow of Probabilistic Influence14min

Conditional Independence12min

Independencies in Bayesian Networks18min

Naive Bayes9min

Application - Medical Diagnosis9min

Knowledge Engineering Example - SAMIAM14min

Basic Operations 13min

Moving Data Around 16min

Computing On Data 13min

Plotting Data 9min

Control Statements: for, while, if statements 12min

Vectorization 13min

Working on and Submitting Programming Exercises 3min

6 leituras

Setting Up Your Programming Assignment Environment10min

Installing Octave/MATLAB on Windows10min

Installing Octave/MATLAB on Mac OS X (10.10 Yosemite and 10.9 Mavericks)10min

Installing Octave/MATLAB on Mac OS X (10.8 Mountain Lion and Earlier)10min

Installing Octave/MATLAB on GNU/Linux10min

More Octave/MATLAB resources10min

3 exercícios práticos

Bayesian Network Fundamentals30min

Bayesian Network Independencies30min

Octave/Matlab installation30min

Semana

Semana 2

2 horas para concluir

Template Models for Bayesian Networks

In many cases, we need to model distributions that have a recurring structure. In this module, we describe representations for two such situations. One is temporal scenarios, where we want to model a probabilistic structure that holds constant over time; here, we use Hidden Markov Models, or, more generally, Dynamic Bayesian Networks. The other is aimed at scenarios that involve multiple similar entities, each of whose properties is governed by a similar model; here, we use Plate Models.

2 horas para concluir

4 vídeos (Total 66 mín.)

12 horas para concluir

Structured CPDs for Bayesian Networks

12 horas para concluir

4 vídeos (Total 49 mín.)

Semana

Semana 3

18 horas para concluir

Markov Networks (Undirected Models)

In this module, we describe Markov networks (also called Markov random fields): probabilistic graphical models based on an undirected graph representation. We discuss the representation of these models and their semantics. We also analyze the independence properties of distributions encoded by these graphs, and their relationship to the graph structure. We compare these independencies to those encoded by a Bayesian network, giving us some insight on which type of model is more suitable for which scenarios.

18 horas para concluir

7 vídeos (Total 106 mín.)

Semana

Semana 4

22 horas para concluir

Decision Making

22 horas para concluir

3 vídeos (Total 61 mín.)

Avaliações

4.6

308 avaliações

5 stars
74,74%
4 stars
17,71%
3 stars
5,23%
2 stars
1%
1 star
1,29%

Principais avaliações do PROBABILISTIC GRAPHICAL MODELS 1: REPRESENTATION

por SC17 de mai de 2020

concepts in the videos are well presented. additional readings from the textbook are helpful to cement concepts not explained as thoroughly in the videos

por AM2 de nov de 2018

Overall very good quality content. PAs are useful but some questions/tests leave too much to interpretation and can be frustrating for students. Audio quality for the classes could also be improved.

por ST12 de jul de 2017

Prof. Koller did a great job communicating difficult material in an accessible manner. Thanks to her for starting Coursera and offering this advanced course so that we can all learn...Kudos!!

por SR1 de mar de 2018

This subject covered in this course is very helpful for me who interested in inference methods, machine learning, computer vision, and optimization.

Visualizar todas as avaliações

Sobre Programa de cursos integrados Modelos Gráficos Probabilísticos

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.

Perguntas Frequentes – FAQ

Quando terei acesso às palestras e às tarefas?
O acesso a palestras e tarefas depende do tipo de inscrição. Se você participar de um curso como ouvinte, você poderá ver quase todo o conteúdo do curso gratuitamente. Para acessar tarefas valendo nota e obter um Certificado, você precisará adquirir a experiência do Certificado, durante ou após a participação como ouvinte. Se você não vir a opção de participar como ouvinte:
o curso pode não oferecer essa opção. Você pode experimentar um teste gratuito ou solicitar o auxílio financeiro.
Em vez disso, o curso pode oferecer 'Curso completo, sem Certificado'. Com esta opção, é possível ver todo o conteúdo do curso, enviar as avaliações necessárias e obter uma nota final. Isso também significa que você não poderá comprar uma experiência de Certificado.
O que recebo ao me inscrever nesta Especialização?
Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.
Existe algum auxílio financeiro disponível?
Sim. Em programas de aprendizado selecionados, você pode solicitar auxílio financeiro ou uma bolsa de estudos caso não consiga pagar a taxa de inscrição. Se o auxílio financeiro ou bolsa de estudos estiver disponível para a seleção do seu programa de aprendizado, você encontrará um link para se inscrever na página de descrição.
Learning Outcomes: By the end of this course, you will be able to
Apply the basic process of representing a scenario as a Bayesian network or a Markov network
Analyze the independence properties implied by a PGM, and determine whether they are a good match for your distribution
Decide which family of PGMs is more appropriate for your task
Utilize extra structure in the local distribution for a Bayesian network to allow for a more compact representation, including tree-structured CPDs, logistic CPDs, and linear Gaussian CPDs
Represent a Markov network in terms of features, via a log-linear model
Encode temporal models as a Hidden Markov Model (HMM) or as a Dynamic Bayesian Network (DBN)
Encode domains with repeating structure via a plate model
Represent a decision making problem as an influence diagram, and be able to use that model to compute optimal decision strategies and information gathering strategies
Honors track learners will be able to apply these ideas for complex, real-world problems

Mais dúvidas? Visite o Central de Ajuda ao estudante.

Probabilistic Graphical Models 1: Representation

Informações sobre o curso

Habilidades que você terá