이 강좌에 대하여

최근 조회 20,607

학습자 경력 결과

50%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

20%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

20%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 3개 강좌 중 2번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
고급 단계
완료하는 데 약 36시간 필요
영어
자막: 영어

귀하가 습득할 기술

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

학습자 경력 결과

50%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

20%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

20%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 3개 강좌 중 2번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
고급 단계
완료하는 데 약 36시간 필요
영어
자막: 영어

제공자:

스탠퍼드 대학교 로고

스탠퍼드 대학교

강의 계획 - 이 강좌에서 배울 내용

1

1

완료하는 데 25분 필요

Inference Overview

완료하는 데 25분 필요
2개 동영상 (총 25분)
2개의 동영상
Overview: MAP Inference9m
완료하는 데 1시간 필요

Variable Elimination

완료하는 데 1시간 필요
4개 동영상 (총 56분)
4개의 동영상
Complexity of Variable Elimination12m
Graph-Based Perspective on Variable Elimination15m
Finding Elimination Orderings11m
1개 연습문제
Variable Elimination18m
2

2

완료하는 데 18시간 필요

Belief Propagation Algorithms

완료하는 데 18시간 필요
9개 동영상 (총 150분)
9개의 동영상
Properties of Cluster Graphs15m
Properties of Belief Propagation9m
Clique Tree Algorithm - Correctness18m
Clique Tree Algorithm - Computation16m
Clique Trees and Independence15m
Clique Trees and VE16m
BP In Practice15m
Loopy BP and Message Decoding21m
2개 연습문제
Message Passing in Cluster Graphs10m
Clique Tree Algorithm10m
3

3

완료하는 데 1시간 필요

MAP Algorithms

완료하는 데 1시간 필요
5개 동영상 (총 74분)
5개의 동영상
Finding a MAP Assignment3m
Tractable MAP Problems15m
Dual Decomposition - Intuition17m
Dual Decomposition - Algorithm16m
1개 연습문제
MAP Message Passing4m
4

4

완료하는 데 14시간 필요

Sampling Methods

완료하는 데 14시간 필요
5개 동영상 (총 100분)
5개의 동영상
Markov Chain Monte Carlo14m
Using a Markov Chain15m
Gibbs Sampling19m
Metropolis Hastings Algorithm27m
2개 연습문제
Sampling Methods14m
Sampling Methods PA Quiz8m
완료하는 데 26분 필요

Inference in Temporal Models

완료하는 데 26분 필요
1개 동영상 (총 20분)
1개의 동영상
1개 연습문제
Inference in Temporal Models6m

검토

PROBABILISTIC GRAPHICAL MODELS 2: INFERENCE의 최상위 리뷰

모든 리뷰 보기

Probabilistic Graphical Models 특화 과정 정보

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

자주 묻는 질문

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • 강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.

  • 구독하는 경우, 취소해도 요금이 청구되지 않는 7일간의 무료 평가판을 이용할 수 있습니다. 해당 기간이 지난 후에는 환불이 되지 않지만, 언제든 구독을 취소할 수 있습니다. 전체 환불 정책 보기.

  • 예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.

  • Execute the basic steps of a variable elimination or message passing algorithm

    Understand how properties of the graph structure influence the complexity of exact inference, and thereby estimate whether exact inference is likely to be feasible

    Go through the basic steps of an MCMC algorithm, both Gibbs sampling and Metropolis Hastings

    Understand how properties of the PGM influence the efficacy of sampling methods, and thereby estimate whether MCMC algorithms are likely to be effective

    Design Metropolis Hastings proposal distributions that are more likely to give good results

    Compute a MAP assignment by exact inference

    Honors track learners will be able to implement message passing algorithms and MCMC algorithms, and apply them to a real world problem

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.