Probabilistic Graphical Models 1: Representation

• Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?

  Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:

  • Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.

  • Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.

• Was bekomme ich, wenn ich diese Spezialisierung abonniere?

  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.

• Ist finanzielle Unterstützung möglich?

  Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

• Learning Outcomes: By the end of this course, you will be able to

  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

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.