Über diesen Kurs

143,316 kürzliche Aufrufe

Karriereergebnisse der Lernenden

50%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

36%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Fortgeschritten“

Course requires strong background in calculus, linear algebra, probability theory and machine learning.

Ca. 32 Stunden zum Abschließen
Englisch
Untertitel: Englisch, Koreanisch

Kompetenzen, die Sie erwerben

Bayesian OptimizationGaussian ProcessMarkov Chain Monte Carlo (MCMC)Variational Bayesian Methods

Karriereergebnisse der Lernenden

50%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

36%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Fortgeschritten“

Course requires strong background in calculus, linear algebra, probability theory and machine learning.

Ca. 32 Stunden zum Abschließen
Englisch
Untertitel: Englisch, Koreanisch

von

National Research University Higher School of Economics-Logo

National Research University Higher School of Economics

Lehrplan - Was Sie in diesem Kurs lernen werden

InhaltsbewertungThumbs Up83%(2,376 Bewertungen)Info
Woche
1

Woche 1

2 Stunden zum Abschließen

Introduction to Bayesian methods & Conjugate priors

2 Stunden zum Abschließen
10 Videos (Gesamt 57 min), 2 Lektüren, 2 Quiz
10 Videos
Think bayesian & Statistics review7m
Bayesian approach to statistics5m
How to define a model3m
Example: thief & alarm11m
Linear regression10m
Analytical inference3m
Conjugate distributions2m
Example: Normal, precision5m
Example: Bernoulli4m
2 Lektüren
About the University10m
MLE estimation of Gaussian mean10m
2 praktische Übungen
Introduction to Bayesian methods30m
Conjugate priors30m
Woche
2

Woche 2

7 Stunden zum Abschließen

Expectation-Maximization algorithm

7 Stunden zum Abschließen
17 Videos (Gesamt 168 min)
17 Videos
Probabilistic clustering6m
Gaussian Mixture Model10m
Training GMM10m
Example of GMM training10m
Jensen's inequality & Kullback Leibler divergence9m
Expectation-Maximization algorithm10m
E-step details12m
M-step details6m
Example: EM for discrete mixture, E-step10m
Example: EM for discrete mixture, M-step12m
Summary of Expectation Maximization6m
General EM for GMM12m
K-means from probabilistic perspective9m
K-means, M-step7m
Probabilistic PCA13m
EM for Probabilistic PCA7m
2 praktische Übungen
EM algorithm30m
Latent Variable Models and EM algorithm30m
Woche
3

Woche 3

2 Stunden zum Abschließen

Variational Inference & Latent Dirichlet Allocation

2 Stunden zum Abschließen
11 Videos (Gesamt 98 min)
11 Videos
Mean field approximation13m
Example: Ising model15m
Variational EM & Review5m
Topic modeling5m
Dirichlet distribution6m
Latent Dirichlet Allocation5m
LDA: E-step, theta11m
LDA: E-step, z8m
LDA: M-step & prediction13m
Extensions of LDA5m
2 praktische Übungen
Variational inference15m
Latent Dirichlet Allocation15m
Woche
4

Woche 4

6 Stunden zum Abschließen

Markov chain Monte Carlo

6 Stunden zum Abschließen
11 Videos (Gesamt 122 min)
11 Videos
Sampling from 1-d distributions13m
Markov Chains13m
Gibbs sampling12m
Example of Gibbs sampling7m
Metropolis-Hastings8m
Metropolis-Hastings: choosing the critic8m
Example of Metropolis-Hastings9m
Markov Chain Monte Carlo summary8m
MCMC for LDA15m
Bayesian Neural Networks11m
1 praktische Übung
Markov Chain Monte Carlo30m

Bewertungen

Top-Bewertungen von BAYESIAN METHODS FOR MACHINE LEARNING

Alle Bewertungen anzeigen

Über den Spezialisierung Erweiterte maschinelles Lernen

This specialization gives an introduction to deep learning, reinforcement learning, natural language understanding, computer vision and Bayesian methods. Top Kaggle machine learning practitioners and CERN scientists will share their experience of solving real-world problems and help you to fill the gaps between theory and practice. Upon completion of 7 courses you will be able to apply modern machine learning methods in enterprise and understand the caveats of real-world data and settings....
Erweiterte maschinelles Lernen

Häufig gestellte Fragen

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.

    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

  • When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile. If you only want to read and view the course content, you can audit the course for free.

  • If you subscribed, you get a 7-day free trial during which you can cancel at no penalty. After that, we don’t give refunds, but you can cancel your subscription at any time. See our full refund policy.

  • Yes, Coursera provides financial aid to learners who cannot afford the fee. Apply for it by clicking on the Financial Aid link beneath the "Enroll" button on the left. You'll be prompted to complete an application and will be notified if you are approved. You'll need to complete this step for each course in the Specialization, including the Capstone Project. Learn more.

  • Course requires strong background in calculus, linear algebra, probability theory and machine learning.

Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..