• いつ講座や課題にアクセスできるようになりますか？

  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。

• この専門講座をサブスクライブすると何を行うことができるようになりますか？

  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。

• 返金ポリシーについて教えてください。

• 学資援助はありますか？

• Learning Outcomes: By the end of this course, you will be able to

  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。