Über diesen Kurs

21,028 kürzliche Aufrufe

Karriereergebnisse der Lernenden

50%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

20%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

20%

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. 36 Stunden zum Abschließen
Englisch
Untertitel: Englisch

Kompetenzen, die Sie erwerben

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

Karriereergebnisse der Lernenden

50%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

20%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

20%

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. 36 Stunden zum Abschließen
Englisch
Untertitel: Englisch

von

Stanford University-Logo

Stanford University

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche
1

Woche 1

25 Minuten zum Abschließen

Inference Overview

25 Minuten zum Abschließen
2 Videos (Gesamt 25 min)
2 Videos
Overview: MAP Inference9m
1 Stunde zum Abschließen

Variable Elimination

1 Stunde zum Abschließen
4 Videos (Gesamt 56 min)
4 Videos
Complexity of Variable Elimination12m
Graph-Based Perspective on Variable Elimination15m
Finding Elimination Orderings11m
1 praktische Übung
Variable Elimination18m
Woche
2

Woche 2

18 Stunden zum Abschließen

Belief Propagation Algorithms

18 Stunden zum Abschließen
9 Videos (Gesamt 150 min)
9 Videos
Properties of Cluster Graphs15m
Properties of Belief Propagation9m
Clique Tree Algorithm - Correctness18m
Clique Tree Algorithm - Computation16m
Clique Trees and Independence15m
Clique Trees and VE16m
BP In Practice15m
Loopy BP and Message Decoding21m
2 praktische Übungen
Message Passing in Cluster Graphs10m
Clique Tree Algorithm10m
Woche
3

Woche 3

1 Stunde zum Abschließen

MAP Algorithms

1 Stunde zum Abschließen
5 Videos (Gesamt 74 min)
5 Videos
Finding a MAP Assignment3m
Tractable MAP Problems15m
Dual Decomposition - Intuition17m
Dual Decomposition - Algorithm16m
1 praktische Übung
MAP Message Passing4m
Woche
4

Woche 4

14 Stunden zum Abschließen

Sampling Methods

14 Stunden zum Abschließen
5 Videos (Gesamt 100 min)
5 Videos
Markov Chain Monte Carlo14m
Using a Markov Chain15m
Gibbs Sampling19m
Metropolis Hastings Algorithm27m
2 praktische Übungen
Sampling Methods14m
Sampling Methods PA Quiz8m
26 Minuten zum Abschließen

Inference in Temporal Models

26 Minuten zum Abschließen
1 Video (Gesamt 20 min)
1 praktische Übung
Inference in Temporal Models6m

Bewertungen

Top-Bewertungen von PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE

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.

  • 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.

  • Execute the basic steps of a variable elimination or message passing algorithm

    Understand how properties of the graph structure influence the complexity of exact inference, and thereby estimate whether exact inference is likely to be feasible

    Go through the basic steps of an MCMC algorithm, both Gibbs sampling and Metropolis Hastings

    Understand how properties of the PGM influence the efficacy of sampling methods, and thereby estimate whether MCMC algorithms are likely to be effective

    Design Metropolis Hastings proposal distributions that are more likely to give good results

    Compute a MAP assignment by exact inference

    Honors track learners will be able to implement message passing algorithms and MCMC algorithms, and apply them to a real world problem

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