Über diesen Kurs

82,579 kürzliche Aufrufe

Karriereergebnisse der Lernenden

23%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

22%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

11%

erhalten Sie eine Gehaltserhöhung oder Beförderung
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“
Ca. 63 Stunden zum Abschließen
Englisch
Untertitel: Englisch

Kompetenzen, die Sie erwerben

Bayesian NetworkGraphical ModelMarkov Random Field

Karriereergebnisse der Lernenden

23%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

22%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

11%

erhalten Sie eine Gehaltserhöhung oder Beförderung
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“
Ca. 63 Stunden zum Abschließen
Englisch
Untertitel: Englisch

Dozent

von

Stanford University-Logo

Stanford University

Lehrplan - Was Sie in diesem Kurs lernen werden

InhaltsbewertungThumbs Up84%(3,530 Bewertungen)Info
Woche
1

Woche 1

1 Stunde zum Abschließen

Introduction and Overview

1 Stunde zum Abschließen
4 Videos (Gesamt 35 min)
4 Videos
Overview and Motivation19m
Distributions4m
Factors6m
1 praktische Übung
Basic Definitions8m
10 Stunden zum Abschließen

Bayesian Network (Directed Models)

10 Stunden zum Abschließen
15 Videos (Gesamt 190 min), 6 Lektüren, 4 Quiz
15 Videos
Reasoning Patterns9m
Flow of Probabilistic Influence14m
Conditional Independence12m
Independencies in Bayesian Networks18m
Naive Bayes9m
Application - Medical Diagnosis9m
Knowledge Engineering Example - SAMIAM14m
Basic Operations 13m
Moving Data Around 16m
Computing On Data 13m
Plotting Data 9m
Control Statements: for, while, if statements 12m
Vectorization 13m
Working on and Submitting Programming Exercises 3m
6 Lektüren
Setting Up Your Programming Assignment Environment10m
Installing Octave/MATLAB on Windows10m
Installing Octave/MATLAB on Mac OS X (10.10 Yosemite and 10.9 Mavericks)10m
Installing Octave/MATLAB on Mac OS X (10.8 Mountain Lion and Earlier)10m
Installing Octave/MATLAB on GNU/Linux10m
More Octave/MATLAB resources10m
3 praktische Übungen
Bayesian Network Fundamentals6m
Bayesian Network Independencies10m
Octave/Matlab installation2m
Woche
2

Woche 2

1 Stunde zum Abschließen

Template Models for Bayesian Networks

1 Stunde zum Abschließen
4 Videos (Gesamt 66 min)
4 Videos
Temporal Models - DBNs23m
Temporal Models - HMMs12m
Plate Models20m
1 praktische Übung
Template Models20m
11 Stunden zum Abschließen

Structured CPDs for Bayesian Networks

11 Stunden zum Abschließen
4 Videos (Gesamt 49 min)
4 Videos
Tree-Structured CPDs14m
Independence of Causal Influence13m
Continuous Variables13m
2 praktische Übungen
Structured CPDs8m
BNs for Genetic Inheritance PA Quiz22m
Woche
3

Woche 3

17 Stunden zum Abschließen

Markov Networks (Undirected Models)

17 Stunden zum Abschließen
7 Videos (Gesamt 106 min)
7 Videos
General Gibbs Distribution15m
Conditional Random Fields22m
Independencies in Markov Networks4m
I-maps and perfect maps20m
Log-Linear Models22m
Shared Features in Log-Linear Models8m
2 praktische Übungen
Markov Networks8m
Independencies Revisited6m
Woche
4

Woche 4

21 Stunden zum Abschließen

Decision Making

21 Stunden zum Abschließen
3 Videos (Gesamt 61 min)
3 Videos
Utility Functions18m
Value of Perfect Information17m
2 praktische Übungen
Decision Theory8m
Decision Making PA Quiz18m

Bewertungen

Top-Bewertungen von PROBABILISTIC GRAPHICAL MODELS 1: REPRESENTATION

Alle Bewertungen anzeigen

Über den Spezialisierung Probabilistic Graphical Models

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....
Probabilistic Graphical Models

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.
  • Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.

  • Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.

  • Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren

  • Apply the basic process of representing a scenario as a Bayesian network or a Markov network

    Analyze the independence properties implied by a PGM, and determine whether they are a good match for your distribution

    Decide which family of PGMs is more appropriate for your task

    Utilize extra structure in the local distribution for a Bayesian network to allow for a more compact representation, including tree-structured CPDs, logistic CPDs, and linear Gaussian CPDs

    Represent a Markov network in terms of features, via a log-linear model

    Encode temporal models as a Hidden Markov Model (HMM) or as a Dynamic Bayesian Network (DBN)

    Encode domains with repeating structure via a plate model

    Represent a decision making problem as an influence diagram, and be able to use that model to compute optimal decision strategies and information gathering strategies

    Honors track learners will be able to apply these ideas for complex, real-world problems

  • Für diesen Kurs gibt es keine akademischen Leistungspunkte, doch Hochschulen können nach eigenem Ermessen Leistungspunkte für Kurszertifikate vergeben. Wenden Sie sich an Ihre Einrichtung, um mehr zu erfahren. Online-Abschlüsse und Mastertrack™-Zertifikate auf Coursera bieten die Möglichkeit, akademische Leistungspunkte zu erwerben.

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