Über diesen Kurs

7.023 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

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov 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 Probabilistic Graphical Models

Probabilistic Graphical Models

Häufig gestellte Fragen

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