Probabilistic Graphical Models 3: Learning

• 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

  Compute the sufficient statistics of a data set that are necessary for learning a PGM from data

  Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks

  Implement maximum likelihood and MAP parameter estimation for Markov networks

  Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation

  Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs

  Implement the Expectation Maximization (EM) algorithm for Bayesian networks

  Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

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