Über diesen Kurs

12,337 kürzliche Aufrufe

Karriereergebnisse der Lernenden

43%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

29%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

17%

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. 66 Stunden zum Abschließen
Englisch

Kompetenzen, die Sie erwerben

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

Karriereergebnisse der Lernenden

43%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

29%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

17%

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. 66 Stunden zum Abschließen
Englisch

von

Placeholder

Stanford University

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche
1

Woche 1

16 Minuten zum Abschließen

Learning: Overview

16 Minuten zum Abschließen
1 Video (Gesamt 16 min)
1 Video
1 Stunde zum Abschließen

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

1 Stunde zum Abschließen
6 Videos (Gesamt 59 min)
6 Videos
Regularization: Cost Function 10m
Evaluating a Hypothesis 7m
Model Selection and Train Validation Test Sets 12m
Diagnosing Bias vs Variance 7m
Regularization and Bias Variance11m
2 Stunden zum Abschließen

Parameter Estimation in Bayesian Networks

2 Stunden zum Abschließen
5 Videos (Gesamt 77 min)
5 Videos
Maximum Likelihood Estimation for Bayesian Networks15m
Bayesian Estimation15m
Bayesian Prediction13m
Bayesian Estimation for Bayesian Networks17m
2 praktische Übungen
Learning in Parametric Models30m
Bayesian Priors for BNs30m
Woche
2

Woche 2

21 Stunden zum Abschließen

Learning Undirected Models

21 Stunden zum Abschließen
3 Videos (Gesamt 52 min)
3 Videos
Maximum Likelihood for Conditional Random Fields13m
MAP Estimation for MRFs and CRFs9m
1 praktische Übung
Parameter Estimation in MNs30m
Woche
3

Woche 3

18 Stunden zum Abschließen

Learning BN Structure

18 Stunden zum Abschließen
7 Videos (Gesamt 106 min)
7 Videos
Likelihood Scores16m
BIC and Asymptotic Consistency11m
Bayesian Scores20m
Learning Tree Structured Networks12m
Learning General Graphs: Heuristic Search23m
Learning General Graphs: Search and Decomposability15m
2 praktische Übungen
Structure Scores30m
Tree Learning and Hill Climbing30m
Woche
4

Woche 4

22 Stunden zum Abschließen

Learning BNs with Incomplete Data

22 Stunden zum Abschließen
5 Videos (Gesamt 83 min)
5 Videos
Expectation Maximization - Intro16m
Analysis of EM Algorithm11m
EM in Practice11m
Latent Variables22m
2 praktische Übungen
Learning with Incomplete Data30m
Expectation Maximization30m

Bewertungen

Top-Bewertungen von PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Alle Bewertungen anzeigen

Über den Spezialisierung Probabilistic Graphical Models

Probabilistic Graphical Models

Häufig gestellte Fragen

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