Über diesen Kurs

8.650 kürzliche Aufrufe
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Stufe „Fortgeschritten“
Ca. 66 Stunden zum Abschließen
Englisch

Kompetenzen, die Sie erwerben

  • Algorithms
  • Expectation–Maximization (EM) Algorithm
  • Graphical Model
  • Markov Random Field
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Stufe „Fortgeschritten“
Ca. 66 Stunden zum Abschließen
Englisch

Dozent

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 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)
2 Stunden zum Abschließen

Parameter Estimation in Bayesian Networks

2 Stunden zum Abschließen
5 Videos (Gesamt 77 min)
Woche
2
Woche 2
21 Stunden zum Abschließen

Learning Undirected Models

21 Stunden zum Abschließen
3 Videos (Gesamt 52 min)
Woche
3
Woche 3
18 Stunden zum Abschließen

Learning BN Structure

18 Stunden zum Abschließen
7 Videos (Gesamt 106 min)
Woche
4
Woche 4
22 Stunden zum Abschließen

Learning BNs with Incomplete Data

22 Stunden zum Abschließen
5 Videos (Gesamt 83 min)

Bewertungen

Top-Bewertungen von PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Alle Bewertungen anzeigen

Über den Spezialisierung Probabilistische graphische Modelle

Probabilistische graphische Modelle

Häufig gestellte Fragen

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