Probabilistic Graphical Models 3: Learning

• いつ講座や課題にアクセスできるようになりますか？

  講義と課題へのアクセスは、登録のタイプによって異なります。聴講モードでコースを受講すると、ほとんどのコース教材を無料で見ることができます。採点された課題にアクセスして修了証を取得するには、聴講中または聴講後に、修了証エクスペリエンスを購入する必要があります。聴講オプションが表示されない場合：

  • コースは聴講オプションを提供していない可能性があります。代わりに無料トライアルをお試しいただくか、学資援助を申請することができます。
  • コースは、聴講オプションを提供せずに「修了証なしフルコース」オプションを提供する場合があります。このオプションでは、すべてのコース教材が表示され、必須の評価を提出して、最終成績を取得することができます。この場合、修了証エクスペリエンスは購入できません。

• 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。

• 学資援助はありますか？

  はい。受講料の支払いが難しい受講生に、Coursera（コーセラ）は学資援助を提供しています。左側の［登録］ボタンの下にある［学資援助］のリンクをクリックして申請してください。申請書の入力を促すメッセージが表示され、承認されると通知が届きます。キャップストーンプロジェクトを含む専門講座の各コースでこのステップを完了する必要があります。詳細。

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

  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

さらに質問がある場合は、受講者ヘルプセンターにアクセスしてください。