Informações sobre o curso

14,049 visualizações recentes

Resultados de carreira do aprendiz

43%

comecei uma nova carreira após concluir estes cursos

29%

consegui um benefício significativo de carreira com este curso

17%

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. 66 horas para completar
Inglês

Habilidades que você terá

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

Resultados de carreira do aprendiz

43%

comecei uma nova carreira após concluir estes cursos

29%

consegui um benefício significativo de carreira com este curso

17%

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. 66 horas para completar
Inglês

oferecido por

Placeholder

Universidade de Stanford

Programa - O que você aprenderá com este curso

Semana
1

Semana 1

16 minutos para concluir

Learning: Overview

16 minutos para concluir
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)

1 hora para concluir
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

2 horas para concluir
5 vídeos (Total 77 mín.)
5 videos
Maximum Likelihood Estimation for Bayesian Networks15min
Bayesian Estimation15min
Bayesian Prediction13min
Bayesian Estimation for Bayesian Networks17min
2 exercícios práticos
Learning in Parametric Models30min
Bayesian Priors for BNs30min
Semana
2

Semana 2

21 horas para concluir

Learning Undirected Models

21 horas para concluir
3 vídeos (Total 52 mín.)
3 videos
Maximum Likelihood for Conditional Random Fields13min
MAP Estimation for MRFs and CRFs9min
1 exercício prático
Parameter Estimation in MNs30min
Semana
3

Semana 3

18 horas para concluir

Learning BN Structure

18 horas para concluir
7 vídeos (Total 106 mín.)
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 Scores30min
Tree Learning and Hill Climbing30min
Semana
4

Semana 4

22 horas para concluir

Learning BNs with Incomplete Data

22 horas para concluir
5 vídeos (Total 83 mín.)
5 videos
Expectation Maximization - Intro16min
Analysis of EM Algorithm11min
EM in Practice11min
Latent Variables22min
2 exercícios práticos
Learning with Incomplete Data30min
Expectation Maximization30min

Avaliações

Principais avaliações do PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Visualizar todas as avaliações

Sobre Programa de cursos integrados Modelos Gráficos Probabilísticos

Modelos Gráficos Probabilísticos

Perguntas Frequentes – FAQ

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.