Informações sobre o curso
17,062 visualizações recentes

100% online

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível avançado

Aprox. 23 horas para completar

Inglês

Legendas: Inglês

Habilidades que você terá

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

100% online

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível avançado

Aprox. 23 horas para completar

Inglês

Legendas: Inglês

Os alunos fazendo este Course são

  • Machine Learning Engineers
  • Data Scientists
  • Research Assistants
  • Researchers
  • Scientists

Programa - O que você aprenderá com este curso

Semana
1
25 minutos para concluir

Inference Overview

2 vídeos (Total 25 mín.)
2 videos
Overview: MAP Inference9min
1 hora para concluir

Variable Elimination

4 vídeos (Total 56 mín.), 1 teste
4 videos
Complexity of Variable Elimination12min
Graph-Based Perspective on Variable Elimination15min
Finding Elimination Orderings11min
1 exercício prático
Variable Elimination18min
Semana
2
18 horas para concluir

Belief Propagation Algorithms

9 vídeos (Total 150 mín.), 3 testes
9 videos
Properties of Cluster Graphs15min
Properties of Belief Propagation9min
Clique Tree Algorithm - Correctness18min
Clique Tree Algorithm - Computation16min
Clique Trees and Independence15min
Clique Trees and VE16min
BP In Practice15min
Loopy BP and Message Decoding21min
2 exercícios práticos
Message Passing in Cluster Graphs10min
Clique Tree Algorithm10min
Semana
3
1 hora para concluir

MAP Algorithms

5 vídeos (Total 74 mín.), 1 teste
5 videos
Finding a MAP Assignment3min
Tractable MAP Problems15min
Dual Decomposition - Intuition17min
Dual Decomposition - Algorithm16min
1 exercício prático
MAP Message Passing4min
Semana
4
14 horas para concluir

Sampling Methods

5 vídeos (Total 100 mín.), 3 testes
5 videos
Markov Chain Monte Carlo14min
Using a Markov Chain15min
Gibbs Sampling19min
Metropolis Hastings Algorithm27min
2 exercícios práticos
Sampling Methods14min
Sampling Methods PA Quiz8min
26 minutos para concluir

Inference in Temporal Models

1 vídeo (Total 20 mín.), 1 teste
1 vídeos
1 exercício prático
Inference in Temporal Models6min
4.6
56 avaliaçõesChevron Right

50%

comecei uma nova carreira após concluir estes cursos

20%

consegui um benefício significativo de carreira com este curso

20%

recebi um aumento ou promoção

Principais avaliações do Probabilistic Graphical Models 2: Inference

por ATAug 23rd 2019

Just like the first course of the specialization, this course is really good. It is well organized and taught in the best way which really helped me to implement similar ideas for my projects.

por ALAug 20th 2019

I have clearly learnt a lot during this course. Even though some things should be updated and maybe completed, I would definitely recommend it to anyone whose interest lies in PGMs.

Instrutores

Avatar

Daphne Koller

Professor
School of Engineering

Sobre Universidade 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....

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....
Modelos Gráficos Probabilísticos

Perguntas Frequentes – FAQ

  • Ao se inscrever para um Certificado, você terá acesso a todos os vídeos, testes e tarefas de programação (se aplicável). Tarefas avaliadas pelos colegas apenas podem ser enviadas e avaliadas após o início da sessão. Caso escolha explorar o curso sem adquiri-lo, talvez você não consiga acessar certas tarefas.

  • 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.

  • Execute the basic steps of a variable elimination or message passing algorithm

    Understand how properties of the graph structure influence the complexity of exact inference, and thereby estimate whether exact inference is likely to be feasible

    Go through the basic steps of an MCMC algorithm, both Gibbs sampling and Metropolis Hastings

    Understand how properties of the PGM influence the efficacy of sampling methods, and thereby estimate whether MCMC algorithms are likely to be effective

    Design Metropolis Hastings proposal distributions that are more likely to give good results

    Compute a MAP assignment by exact inference

    Honors track learners will be able to implement message passing algorithms and MCMC algorithms, and apply them to a real world problem

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.