このコースについて

16,633 最近の表示

受講生の就業成果

50%

コース終了後に新しいキャリアをスタートした

20%

コースが具体的なキャリアアップにつながった

20%

昇給や昇進につながった
共有できる証明書
修了時に証明書を取得
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38時間で修了
英語
字幕:フランス語, ポルトガル語(ブラジル), ロシア語, 英語, スペイン語

習得するスキル

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

受講生の就業成果

50%

コース終了後に新しいキャリアをスタートした

20%

コースが具体的なキャリアアップにつながった

20%

昇給や昇進につながった
共有できる証明書
修了時に証明書を取得
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38時間で修了
英語
字幕:フランス語, ポルトガル語(ブラジル), ロシア語, 英語, スペイン語

講師

提供:

Placeholder

スタンフォード大学(Stanford University)

シラバス - 本コースの学習内容

1

1

25分で修了

Inference Overview

25分で修了
2件のビデオ (合計25分)
2件のビデオ
Overview: MAP Inference9 分
1時間で修了

Variable Elimination

1時間で修了
4件のビデオ (合計56分)
4件のビデオ
Complexity of Variable Elimination12 分
Graph-Based Perspective on Variable Elimination15 分
Finding Elimination Orderings11 分
1の練習問題
Variable Elimination30 分
2

2

18時間で修了

Belief Propagation Algorithms

18時間で修了
9件のビデオ (合計150分)
9件のビデオ
Properties of Cluster Graphs15 分
Properties of Belief Propagation9 分
Clique Tree Algorithm - Correctness18 分
Clique Tree Algorithm - Computation16 分
Clique Trees and Independence15 分
Clique Trees and VE16 分
BP In Practice15 分
Loopy BP and Message Decoding21 分
2の練習問題
Message Passing in Cluster Graphs30 分
Clique Tree Algorithm30 分
3

3

2時間で修了

MAP Algorithms

2時間で修了
5件のビデオ (合計74分)
5件のビデオ
Finding a MAP Assignment3 分
Tractable MAP Problems15 分
Dual Decomposition - Intuition17 分
Dual Decomposition - Algorithm16 分
1の練習問題
MAP Message Passing30 分
4

4

15時間で修了

Sampling Methods

15時間で修了
5件のビデオ (合計100分)
5件のビデオ
Markov Chain Monte Carlo14 分
Using a Markov Chain15 分
Gibbs Sampling19 分
Metropolis Hastings Algorithm27 分
2の練習問題
Sampling Methods30 分
Sampling Methods PA Quiz30 分
1時間で修了

Inference in Temporal Models

1時間で修了
1件のビデオ (合計20分)
1件のビデオ
1の練習問題
Inference in Temporal Models30 分

レビュー

PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE からの人気レビュー

すべてのレビューを見る

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

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。