このコースについて
78,418 最近の表示

100%オンライン

自分のスケジュールですぐに学習を始めてください。

柔軟性のある期限

スケジュールに従って期限をリセットします。

上級レベル

約30時間で修了

英語

字幕:英語

習得するスキル

Bayesian NetworkGraphical ModelMarkov Random Field

100%オンライン

自分のスケジュールですぐに学習を始めてください。

柔軟性のある期限

スケジュールに従って期限をリセットします。

上級レベル

約30時間で修了

英語

字幕:英語

シラバス - 本コースの学習内容

1
1時間で修了

Introduction and Overview

4件のビデオ (合計35分), 1 quiz
4件のビデオ
Overview and Motivation19 分
Distributions4 分
Factors6 分
1の練習問題
Basic Definitions8 分
10時間で修了

Bayesian Network (Directed Models)

15件のビデオ (合計190分), 6 readings, 4 quizzes
15件のビデオ
Reasoning Patterns9 分
Flow of Probabilistic Influence14 分
Conditional Independence12 分
Independencies in Bayesian Networks18 分
Naive Bayes9 分
Application - Medical Diagnosis9 分
Knowledge Engineering Example - SAMIAM14 分
Basic Operations 13 分
Moving Data Around 16 分
Computing On Data 13 分
Plotting Data 9 分
Control Statements: for, while, if statements 12 分
Vectorization 13 分
Working on and Submitting Programming Exercises 3 分
6件の学習用教材
Setting Up Your Programming Assignment Environment10 分
Installing Octave/MATLAB on Windows10 分
Installing Octave/MATLAB on Mac OS X (10.10 Yosemite and 10.9 Mavericks)10 分
Installing Octave/MATLAB on Mac OS X (10.8 Mountain Lion and Earlier)10 分
Installing Octave/MATLAB on GNU/Linux10 分
More Octave/MATLAB resources10 分
3の練習問題
Bayesian Network Fundamentals6 分
Bayesian Network Independencies10 分
Octave/Matlab installation2 分
2
1時間で修了

Template Models for Bayesian Networks

4件のビデオ (合計66分), 1 quiz
4件のビデオ
Temporal Models - DBNs23 分
Temporal Models - HMMs12 分
Plate Models20 分
1の練習問題
Template Models20 分
11時間で修了

Structured CPDs for Bayesian Networks

4件のビデオ (合計49分), 3 quizzes
4件のビデオ
Tree-Structured CPDs14 分
Independence of Causal Influence13 分
Continuous Variables13 分
2の練習問題
Structured CPDs8 分
BNs for Genetic Inheritance PA Quiz22 分
3
17時間で修了

Markov Networks (Undirected Models)

7件のビデオ (合計106分), 3 quizzes
7件のビデオ
General Gibbs Distribution15 分
Conditional Random Fields22 分
Independencies in Markov Networks4 分
I-maps and perfect maps20 分
Log-Linear Models22 分
Shared Features in Log-Linear Models8 分
2の練習問題
Markov Networks8 分
Independencies Revisited6 分
4
21時間で修了

Decision Making

3件のビデオ (合計61分), 3 quizzes
3件のビデオ
Utility Functions18 分
Value of Perfect Information17 分
2の練習問題
Decision Theory8 分
Decision Making PA Quiz18 分
4.7
246件のレビューChevron Right

23%

コース終了後に新しいキャリアをスタートした

22%

コースが具体的なキャリアアップにつながった

11%

昇給や昇進につながった

Probabilistic Graphical Models 1: Representation からの人気レビュー

by STJul 13th 2017

Prof. Koller did a great job communicating difficult material in an accessible manner. Thanks to her for starting Coursera and offering this advanced course so that we can all learn...Kudos!!

by CMOct 23rd 2017

The course was deep, and well-taught. This is not a spoon-feeding course like some others. The only downside were some "mechanical" problems (e.g. code submission didn't work for me).

講師

Avatar

Daphne Koller

Professor
School of Engineering

スタンフォード大学(Stanford University)について

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....

Probabilistic Graphical Models 専門講座について

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

よくある質問

  • 修了証に登録すると、すべてのビデオ、テスト、およびプログラミング課題(該当する場合)にアクセスできます。ピアレビュー課題は、セッションが開始してからのみ、提出およびレビューできます。購入せずにコースを検討することを選択する場合、特定の課題にアクセスすることはできません。

  • コースに登録する際、専門講座のすべてのコースにアクセスできます。コースの完了時には修了証を取得できます。電子修了証が成果のページに追加され、そこから修了証を印刷したり、LinkedInのプロフィールに追加したりできます。コースの内容の閲覧のみを希望する場合は、無料でコースを聴講できます。

  • Apply the basic process of representing a scenario as a Bayesian network or a Markov network

    Analyze the independence properties implied by a PGM, and determine whether they are a good match for your distribution

    Decide which family of PGMs is more appropriate for your task

    Utilize extra structure in the local distribution for a Bayesian network to allow for a more compact representation, including tree-structured CPDs, logistic CPDs, and linear Gaussian CPDs

    Represent a Markov network in terms of features, via a log-linear model

    Encode temporal models as a Hidden Markov Model (HMM) or as a Dynamic Bayesian Network (DBN)

    Encode domains with repeating structure via a plate model

    Represent a decision making problem as an influence diagram, and be able to use that model to compute optimal decision strategies and information gathering strategies

    Honors track learners will be able to apply these ideas for complex, real-world problems

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。