Probabilistic Graphical Models 1: Representation

• 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.