課程信息

15,034 次近期查看

學生職業成果

43%

完成這些課程後已開始新的職業生涯

29%

通過此課程獲得實實在在的工作福利

17%

加薪或升職
可分享的證書
完成後獲得證書
100% 在線
立即開始,按照自己的計劃學習。
第 3 門課程(共 3 門)
可靈活調整截止日期
根據您的日程表重置截止日期。
高級
完成時間大約為64 小時
英語(English)
字幕:英語(English)

您將獲得的技能

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

學生職業成果

43%

完成這些課程後已開始新的職業生涯

29%

通過此課程獲得實實在在的工作福利

17%

加薪或升職
可分享的證書
完成後獲得證書
100% 在線
立即開始,按照自己的計劃學習。
第 3 門課程(共 3 門)
可靈活調整截止日期
根據您的日程表重置截止日期。
高級
完成時間大約為64 小時
英語(English)
字幕:英語(English)

提供方

斯坦福大学 徽標

斯坦福大学

教學大綱 - 您將從這門課程中學到什麼

1

1

完成時間為 16 分鐘

Learning: Overview

完成時間為 16 分鐘
1 個視頻 (總計 16 分鐘)
1 個視頻
完成時間為 1 小時

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

完成時間為 1 小時
6 個視頻 (總計 59 分鐘)
6 個視頻
Regularization: Cost Function 10分鐘
Evaluating a Hypothesis 7分鐘
Model Selection and Train Validation Test Sets 12分鐘
Diagnosing Bias vs Variance 7分鐘
Regularization and Bias Variance11分鐘
完成時間為 2 小時

Parameter Estimation in Bayesian Networks

完成時間為 2 小時
5 個視頻 (總計 77 分鐘)
5 個視頻
Maximum Likelihood Estimation for Bayesian Networks15分鐘
Bayesian Estimation15分鐘
Bayesian Prediction13分鐘
Bayesian Estimation for Bayesian Networks17分鐘
2 個練習
Learning in Parametric Models18分鐘
Bayesian Priors for BNs8分鐘
2

2

完成時間為 21 小時

Learning Undirected Models

完成時間為 21 小時
3 個視頻 (總計 52 分鐘)
3 個視頻
Maximum Likelihood for Conditional Random Fields13分鐘
MAP Estimation for MRFs and CRFs9分鐘
1 個練習
Parameter Estimation in MNs6分鐘
3

3

完成時間為 17 小時

Learning BN Structure

完成時間為 17 小時
7 個視頻 (總計 106 分鐘)
7 個視頻
Likelihood Scores16分鐘
BIC and Asymptotic Consistency11分鐘
Bayesian Scores20分鐘
Learning Tree Structured Networks12分鐘
Learning General Graphs: Heuristic Search23分鐘
Learning General Graphs: Search and Decomposability15分鐘
2 個練習
Structure Scores10分鐘
Tree Learning and Hill Climbing8分鐘
4

4

完成時間為 22 小時

Learning BNs with Incomplete Data

完成時間為 22 小時
5 個視頻 (總計 83 分鐘)
5 個視頻
Expectation Maximization - Intro16分鐘
Analysis of EM Algorithm11分鐘
EM in Practice11分鐘
Latent Variables22分鐘
2 個練習
Learning with Incomplete Data8分鐘
Expectation Maximization14分鐘

審閱

來自PROBABILISTIC GRAPHICAL MODELS 3: LEARNING的熱門評論

查看所有評論

關於 概率图模型 專項課程

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....
概率图模型

常見問題

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • 您注册课程后,将有权访问专项课程中的所有课程,并且会在完成课程后获得证书。您的电子课程证书将添加到您的成就页中,您可以通过该页打印您的课程证书或将其添加到您的领英档案中。如果您只想阅读和查看课程内容,可以免费旁听课程。

  • 如果订阅,您可以获得 7 天免费试听,在此期间,您可以取消课程,无需支付任何罚金。在此之后,我们不会退款,但您可以随时取消订阅。请阅读我们完整的退款政策

  • 是的,Coursera 可以为无法承担费用的学生提供助学金。通过点击左侧“注册”按钮下的“助学金”链接可以申请助学金。您可以根据屏幕提示完成申请,申请获批后会收到通知。您需要针对专项课程中的每一门课程完成上述步骤,包括毕业项目。了解更多

  • 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

  • 此课程不提供大学学分,但部分大学可能会选择接受课程证书作为学分。查看您的合作院校,了解详情。Coursera 上的在线学位Mastertrack™ 证书提供获得大学学分的机会。

還有其他問題嗎?請訪問 學生幫助中心