Desenvolvido por:   Stanford University

  • Daphne Koller

    Ministrado por:    Daphne Koller, Professor

    School of Engineering
Informações básicas
NívelAdvanced
Idioma
English
Como ser aprovadoSeja aprovado em todas as tarefas para concluir o curso.
Classificação do usuário
4.5 stars
Average User Rating 4.5Veja o que os aprendizes disseram
Programa

Perguntas frequentes
Como funciona
Trabalho
Trabalho

Cada curso é como um livro didático interativo, com vídeos pré-gravados, testes e projetos.

Ajuda dos seus colegas
Ajuda dos seus colegas

Conecte-se com milhares de outros aprendizes, debata ideias, discuta sobre os materiais do curso e obtenha ajuda para dominar conceitos.

Certificados
Certificados

Obtenha reconhecimento oficial pelo seu trabalho e compartilhe seu sucesso com amigos, colegas e empregadores.

Desenvolvedores
Stanford University
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.
Custo
Participar como ouvinteComprar curso
Acesso aos materiais do curso

Disponível

Disponível

Acesso a materiais valendo nota

Não disponível

Disponível

Receba uma nota final

Não disponível

Disponível

Obtenha um certificado compartilhável

Não disponível

Disponível

Classificações e avaliações
Avaliado em 4.5 de 5 decorrente de 23 avaliações

Tougher course than the 2 preceding ones, but definitely worthwhile.

Very interesting course. Several methods and algorithms are well-explained.

Excellent course! Everyone interested in PGM should consider!

Great content. Explores the machine learning techniques with the tightest coupling of statistics with computer science. The Probabilistic Graphical Models series is one of the harder MOOCs to pass. Learners are advised to buy the book and actually read it carefully, preferably in advance of listening to the lectures. The quality of the course is generally high. The discussion is a little muddled at the very end when practical aspects of applying the EM algorithm (for learning when there is missing data) is discussed.



Compartilhar