이 강좌에 대하여

최근 조회 14,572

학습자 경력 결과

43%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

29%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

17%

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 3번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
고급 단계
완료하는 데 약 64시간 필요
영어
자막: 영어

귀하가 습득할 기술

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

학습자 경력 결과

43%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

29%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

17%

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 3번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
고급 단계
완료하는 데 약 64시간 필요
영어
자막: 영어

제공자:

스탠퍼드 대학교 로고

스탠퍼드 대학교

강의 계획 - 이 강좌에서 배울 내용

1

1

완료하는 데 16분 필요

Learning: Overview

완료하는 데 16분 필요
1개 동영상 (총 16분)
1개의 동영상
완료하는 데 1시간 필요

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

완료하는 데 1시간 필요
6개 동영상 (총 59분)
6개의 동영상
Regularization: Cost Function 10m
Evaluating a Hypothesis 7m
Model Selection and Train Validation Test Sets 12m
Diagnosing Bias vs Variance 7m
Regularization and Bias Variance11m
완료하는 데 2시간 필요

Parameter Estimation in Bayesian Networks

완료하는 데 2시간 필요
5개 동영상 (총 77분)
5개의 동영상
Maximum Likelihood Estimation for Bayesian Networks15m
Bayesian Estimation15m
Bayesian Prediction13m
Bayesian Estimation for Bayesian Networks17m
2개 연습문제
Learning in Parametric Models18m
Bayesian Priors for BNs8m
2

2

완료하는 데 21시간 필요

Learning Undirected Models

완료하는 데 21시간 필요
3개 동영상 (총 52분)
3개의 동영상
Maximum Likelihood for Conditional Random Fields13m
MAP Estimation for MRFs and CRFs9m
1개 연습문제
Parameter Estimation in MNs6m
3

3

완료하는 데 17시간 필요

Learning BN Structure

완료하는 데 17시간 필요
7개 동영상 (총 106분)
7개의 동영상
Likelihood Scores16m
BIC and Asymptotic Consistency11m
Bayesian Scores20m
Learning Tree Structured Networks12m
Learning General Graphs: Heuristic Search23m
Learning General Graphs: Search and Decomposability15m
2개 연습문제
Structure Scores10m
Tree Learning and Hill Climbing8m
4

4

완료하는 데 22시간 필요

Learning BNs with Incomplete Data

완료하는 데 22시간 필요
5개 동영상 (총 83분)
5개의 동영상
Expectation Maximization - Intro16m
Analysis of EM Algorithm11m
EM in Practice11m
Latent Variables22m
2개 연습문제
Learning with Incomplete Data8m
Expectation Maximization14m

검토

PROBABILISTIC GRAPHICAL MODELS 3: LEARNING의 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.

  • 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

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.