Über diesen Kurs

15,118 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. 64 Stunden zum Abschließen
Englisch
Untertitel: 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. 64 Stunden zum Abschließen
Englisch
Untertitel: Englisch

von

Stanford University-Logo

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 Models18m
Bayesian Priors for BNs8m
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 MNs6m
Woche
3

Woche 3

17 Stunden zum Abschließen

Learning BN Structure

17 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 Scores10m
Tree Learning and Hill Climbing8m
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 Data8m
Expectation Maximization14m

Bewertungen

Top-Bewertungen von PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

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

  • 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.
  • 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.

  • Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.

  • Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren

  • 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 Hilfe-Center für Teiln..