このコースについて

23,746 最近の表示

受講生の就業成果

43%

コース終了後に新しいキャリアをスタートした

29%

コースが具体的なキャリアアップにつながった

17%

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64時間で修了

英語

字幕:英語

習得するスキル

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

受講生の就業成果

43%

コース終了後に新しいキャリアをスタートした

29%

コースが具体的なキャリアアップにつながった

17%

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64時間で修了

英語

字幕:英語

提供:

スタンフォード大学(Stanford University) ロゴ

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

16分で修了

Learning: Overview

16分で修了
1件のビデオ (合計16分)
1件のビデオ
1時間で修了

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

1時間で修了
6件のビデオ (合計59分)
6件のビデオ
Regularization: Cost Function 10 分
Evaluating a Hypothesis 7 分
Model Selection and Train Validation Test Sets 12 分
Diagnosing Bias vs Variance 7 分
Regularization and Bias Variance11 分
2時間で修了

Parameter Estimation in Bayesian Networks

2時間で修了
5件のビデオ (合計77分)
5件のビデオ
Maximum Likelihood Estimation for Bayesian Networks15 分
Bayesian Estimation15 分
Bayesian Prediction13 分
Bayesian Estimation for Bayesian Networks17 分
2の練習問題
Learning in Parametric Models18 分
Bayesian Priors for BNs8 分
2

2

21時間で修了

Learning Undirected Models

21時間で修了
3件のビデオ (合計52分)
3件のビデオ
Maximum Likelihood for Conditional Random Fields13 分
MAP Estimation for MRFs and CRFs9 分
1の練習問題
Parameter Estimation in MNs6 分
3

3

17時間で修了

Learning BN Structure

17時間で修了
7件のビデオ (合計106分)
7件のビデオ
Likelihood Scores16 分
BIC and Asymptotic Consistency11 分
Bayesian Scores20 分
Learning Tree Structured Networks12 分
Learning General Graphs: Heuristic Search23 分
Learning General Graphs: Search and Decomposability15 分
2の練習問題
Structure Scores10 分
Tree Learning and Hill Climbing8 分
4

4

22時間で修了

Learning BNs with Incomplete Data

22時間で修了
5件のビデオ (合計83分)
5件のビデオ
Expectation Maximization - Intro16 分
Analysis of EM Algorithm11 分
EM in Practice11 分
Latent Variables22 分
2の練習問題
Learning with Incomplete Data8 分
Expectation Maximization14 分

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。

  • サブスクライブすると、7日間の無料トライアルを体験できます。この期間中は解約金なしでキャンセルできます。それ以降、払い戻しはありませんが、サブスクリプションをいつでもキャンセルできます。返金ポリシーをすべて表示します

  • 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

  • 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

  • このコースでは大学の単位は付与されませんが、一部の大学ではコース修了証を単位として承認する場合があります。詳細については、大学にお問い合わせください。Coursera(コーセラ)のオンライン学位および Mastertrack™証明書は、大学の単位を取得する機会を提供します。

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。