Informações sobre o curso

19,512 visualizações recentes

Resultados de carreira do aprendiz

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
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível avançado
Aprox. 36 horas para completar
Inglês
Legendas: Inglês

Habilidades que você terá

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

Resultados de carreira do aprendiz

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
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível avançado
Aprox. 36 horas para completar
Inglês
Legendas: Inglês

Instrutores

oferecido por

Logotipo de Universidade de Stanford

Universidade de Stanford

Programa - O que você aprenderá com este curso

Semana
1

Semana 1

25 minutos para concluir

Inference Overview

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

Variable Elimination

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

Semana 2

18 horas para concluir

Belief Propagation Algorithms

18 horas para concluir
9 vídeos (Total 150 mín.)
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

Semana 3

1 hora para concluir

MAP Algorithms

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

Semana 4

14 horas para concluir

Sampling Methods

14 horas para concluir
5 vídeos (Total 100 mín.)
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

26 minutos para concluir
1 vídeo (Total 20 mín.)
1 vídeos
1 exercício prático
Inference in Temporal Models6min

Avaliações

Principais avaliações do PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE

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....
Modelos Gráficos Probabilísticos

Perguntas Frequentes – FAQ

  • 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.
  • 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.

  • Se você se inscrever, terá 7 dias para testar sem custo e, durante este período, pode cancelar sem multa. Depois disso, não reembolsamos, mas você pode cancelar sua inscrição a qualquer momento. Veja nossa política para o reembolso total.

  • Sim, a Coursera oferece auxílio financeiro ao aluno que não possa pagar a taxa. Faça a solicitação clicando no link Auxílio Financeiro, abaixo do botão "Inscreva-se" à esquerda. Preencha uma solicitação e será notificado caso seja aprovado. Você terá que completar esta etapa para cada curso na Especialização, incluindo o Trabalho de Conclusão de Curso. Saiba mais .

  • 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.