课程信息

14,872 次近期查看

学生职业成果

43%

完成这些课程后已开始新的职业生涯

29%

通过此课程获得实实在在的工作福利

17%

加薪或升职
可分享的证书
完成后获得证书
100% 在线
立即开始,按照自己的计划学习。
第 3 门课程(共 3 门)
可灵活调整截止日期
根据您的日程表重置截止日期。
高级
完成时间大约为64 小时
英语(English)
字幕:英语(English)

您将获得的技能

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

学生职业成果

43%

完成这些课程后已开始新的职业生涯

29%

通过此课程获得实实在在的工作福利

17%

加薪或升职
可分享的证书
完成后获得证书
100% 在线
立即开始,按照自己的计划学习。
第 3 门课程(共 3 门)
可灵活调整截止日期
根据您的日程表重置截止日期。
高级
完成时间大约为64 小时
英语(English)
字幕:英语(English)

提供方

斯坦福大学 徽标

斯坦福大学

教学大纲 - 您将从这门课程中学到什么

1

1

完成时间为 16 分钟

Learning: Overview

完成时间为 16 分钟
1 个视频 (总计 16 分钟)
1 个视频
完成时间为 1 小时

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

完成时间为 1 小时
6 个视频 (总计 59 分钟)
6 个视频
Regularization: Cost Function 10分钟
Evaluating a Hypothesis 7分钟
Model Selection and Train Validation Test Sets 12分钟
Diagnosing Bias vs Variance 7分钟
Regularization and Bias Variance11分钟
完成时间为 2 小时

Parameter Estimation in Bayesian Networks

完成时间为 2 小时
5 个视频 (总计 77 分钟)
5 个视频
Maximum Likelihood Estimation for Bayesian Networks15分钟
Bayesian Estimation15分钟
Bayesian Prediction13分钟
Bayesian Estimation for Bayesian Networks17分钟
2 个练习
Learning in Parametric Models18分钟
Bayesian Priors for BNs8分钟
2

2

完成时间为 21 小时

Learning Undirected Models

完成时间为 21 小时
3 个视频 (总计 52 分钟)
3 个视频
Maximum Likelihood for Conditional Random Fields13分钟
MAP Estimation for MRFs and CRFs9分钟
1 个练习
Parameter Estimation in MNs6分钟
3

3

完成时间为 17 小时

Learning BN Structure

完成时间为 17 小时
7 个视频 (总计 106 分钟)
7 个视频
Likelihood Scores16分钟
BIC and Asymptotic Consistency11分钟
Bayesian Scores20分钟
Learning Tree Structured Networks12分钟
Learning General Graphs: Heuristic Search23分钟
Learning General Graphs: Search and Decomposability15分钟
2 个练习
Structure Scores10分钟
Tree Learning and Hill Climbing8分钟
4

4

完成时间为 22 小时

Learning BNs with Incomplete Data

完成时间为 22 小时
5 个视频 (总计 83 分钟)
5 个视频
Expectation Maximization - Intro16分钟
Analysis of EM Algorithm11分钟
EM in Practice11分钟
Latent Variables22分钟
2 个练习
Learning with Incomplete Data8分钟
Expectation Maximization14分钟

审阅

来自PROBABILISTIC GRAPHICAL MODELS 3: LEARNING的热门评论

查看所有评论

关于 概率图模型 专项课程

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

常见问题

  • 讲座和作业的访问权限取决于您的注册类型。如果您以旁听模式参加课程,则可以免费查看大多数课程资料。要访问评分作业并获得证书,您需要在旁听期间或之后购买证书体验。如果看不到旁听选项:

    • 课程可能不提供旁听选项。您可以尝试免费试用,也可以申请助学金。
    • 课程可能会改为提供'完整课程,没有证书'。通过此选项,您可以查看所有课程材料、提交所要求的作业,以及获得最终成绩。这也意味着您将无法购买证书体验。
  • 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

还有其他问题吗?请访问 学生帮助中心