이 강좌에 대하여

최근 조회 17,273

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 38시간 필요
영어
자막: 프랑스어, 포르투갈어 (브라질), 러시아어, 영어, 스페인어

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 38시간 필요
영어
자막: 프랑스어, 포르투갈어 (브라질), 러시아어, 영어, 스페인어

제공자:

Placeholder

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 Elimination30m
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 Graphs30m
Clique Tree Algorithm30m
3

3

완료하는 데 2시간 필요

MAP Algorithms

완료하는 데 2시간 필요
5개 동영상 (총 74분)
5개의 동영상
Finding a MAP Assignment3m
Tractable MAP Problems15m
Dual Decomposition - Intuition17m
Dual Decomposition - Algorithm16m
1개 연습문제
MAP Message Passing30m
4

4

완료하는 데 15시간 필요

Sampling Methods

완료하는 데 15시간 필요
5개 동영상 (총 100분)
5개의 동영상
Markov Chain Monte Carlo14m
Using a Markov Chain15m
Gibbs Sampling19m
Metropolis Hastings Algorithm27m
2개 연습문제
Sampling Methods30m
Sampling Methods PA Quiz30m
완료하는 데 1시간 필요

Inference in Temporal Models

완료하는 데 1시간 필요
1개 동영상 (총 20분)
1개의 동영상
1개 연습문제
Inference in Temporal Models30m

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

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.