Informações sobre o curso
10,770 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. 24 horas para completar

Inglês

Legendas: Inglês

Habilidades que você terá

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

100% online

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível avançado

Aprox. 24 horas para completar

Inglês

Legendas: Inglês

Programa - O que você aprenderá com este curso

Semana
1
16 minutos para concluir

Learning: Overview

1 vídeo (Total 16 mín.)
1 vídeos
1 hora para concluir

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

6 vídeos (Total 59 mín.)
6 videos
Regularization: Cost Function 10min
Evaluating a Hypothesis 7min
Model Selection and Train Validation Test Sets 12min
Diagnosing Bias vs Variance 7min
Regularization and Bias Variance11min
2 horas para concluir

Parameter Estimation in Bayesian Networks

5 vídeos (Total 77 mín.), 2 testes
5 videos
Maximum Likelihood Estimation for Bayesian Networks15min
Bayesian Estimation15min
Bayesian Prediction13min
Bayesian Estimation for Bayesian Networks17min
2 exercícios práticos
Learning in Parametric Models18min
Bayesian Priors for BNs8min
Semana
2
21 horas para concluir

Learning Undirected Models

3 vídeos (Total 52 mín.), 2 testes
3 videos
Maximum Likelihood for Conditional Random Fields13min
MAP Estimation for MRFs and CRFs9min
1 exercício prático
Parameter Estimation in MNs6min
Semana
3
17 horas para concluir

Learning BN Structure

7 vídeos (Total 106 mín.), 3 testes
7 videos
Likelihood Scores16min
BIC and Asymptotic Consistency11min
Bayesian Scores20min
Learning Tree Structured Networks12min
Learning General Graphs: Heuristic Search23min
Learning General Graphs: Search and Decomposability15min
2 exercícios práticos
Structure Scores10min
Tree Learning and Hill Climbing8min
Semana
4
22 horas para concluir

Learning BNs with Incomplete Data

5 vídeos (Total 83 mín.), 3 testes
5 videos
Expectation Maximization - Intro16min
Analysis of EM Algorithm11min
EM in Practice11min
Latent Variables22min
2 exercícios práticos
Learning with Incomplete Data8min
Expectation Maximization14min
4.6
32 avaliaçõesChevron Right

43%

comecei uma nova carreira após concluir estes cursos

31%

consegui um benefício significativo de carreira com este curso

18%

recebi um aumento ou promoção

Principais avaliações do Probabilistic Graphical Models 3: Learning

por LLJan 30th 2018

very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.

por ZZFeb 14th 2017

Great course! Very informative course videos and challenging yet rewarding programming assignments. Hope that the mentors can be more helpful in timely responding for questions.

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.

  • Compute the sufficient statistics of a data set that are necessary for learning a PGM from data

    Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks

    Implement maximum likelihood and MAP parameter estimation for Markov networks

    Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation

    Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs

    Implement the Expectation Maximization (EM) algorithm for Bayesian networks

    Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.