InferenceBayesian NetworkBelief PropagationGraphical ModelMarkov Random FieldGibbs SamplingMarkov Chain Monte Carlo (MCMC)AlgorithmsExpectation–Maximization (EM) Algorithm
Spezialisierung Probabilistic Graphical Models
Probabilistic Graphical Models. Master a new way of reasoning and learning in complex domains
von
Spezialisierung Probabilistic Graphical Models Stanford UniversityKompetenzen, die Sie erwerben
Über dieses Spezialisierung
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.
Praktisches Lernprojekt
Through various lectures, quizzes, programming assignments and exams, learners in this specialization will practice and master the fundamentals of probabilistic graphical models. This specialization has three five-week courses for a total of fifteen weeks.
Karriereergebnisse der Lernenden
43%
Ich nahm nach Abschluss dieses Spezialisierung einen neuen Beruf auf.
18%
Ich erhielt eine Gehaltserhöhung oder Beförderung.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
Kurse, die komplett online stattfinden
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexibler Zeitplan
Festlegen und Einhalten flexibler Termine.
Stufe „Fortgeschritten“
Für Personen mit Branchenerfahrung konzipiert.
Etwa 4 Monate bis zum Abschluss
Empfohlenes Lerntempo: 11 Stunden/Woche
Englisch
Untertitel: Englisch, Arabischer Raum, Französisch, Portugiesisch (europäisch), Italienisch, Vietnamesisch, Deutsch, Russisch, Spanisch
Karriereergebnisse der Lernenden
43%
Ich nahm nach Abschluss dieses Spezialisierung einen neuen Beruf auf.
18%
Ich erhielt eine Gehaltserhöhung oder Beförderung.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
Kurse, die komplett online stattfinden
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexibler Zeitplan
Festlegen und Einhalten flexibler Termine.
Stufe „Fortgeschritten“
Für Personen mit Branchenerfahrung konzipiert.
Etwa 4 Monate bis zum Abschluss
Empfohlenes Lerntempo: 11 Stunden/Woche
Englisch
Untertitel: Englisch, Arabischer Raum, Französisch, Portugiesisch (europäisch), Italienisch, Vietnamesisch, Deutsch, Russisch, Spanisch
Es gibt 3 Kurse in dieser Spezialisierung
Probabilistic Graphical Models 1: Representation
1,320 Bewertungen
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 2: Inference
461 Bewertungen
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 3: Learning
282 Bewertungen
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.
von
Stanford University
The Leland Stanford Junior University, commonly referred to as Stanford University or Stanford, is an American private research university located in Stanford, California on an 8,180-acre (3,310 ha) campus near Palo Alto, California, United States.
Häufig gestellte Fragen
Erhalte ich akademische Leistungspunkte für den Abschluss der Spezialisierung?
Can I just enroll in a single course?
Kann ich mich auch nur für einen Kurs anmelden?
Can I take the course for free?
Kann ich kostenlos an diesem Kurs teilnehmen?
Findet dieser Kurs wirklich ausschließlich online statt? Muss ich zu irgendwelchen Sitzungen persönlich erscheinen?
Wie lange dauert es, die Spezialisierung abzuschließen?
Do I need to take the courses in a specific order?
Will I earn university credit for completing the Specialization?
Erhalte ich akademische Leistungspunkte für den Abschluss der Spezialisierung?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
