Über diesen Kurs

108,768 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

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

von

Placeholder

National Research University Higher School of Economics

Lehrplan - Was Sie in diesem Kurs lernen werden

InhaltsbewertungThumbs Up83%(2,836 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

Erweiterte maschinelles Lernen

Häufig gestellte Fragen

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