Acerca de este Curso
17,010 vistas recientes

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Nivel avanzado

Aprox. 23 horas para completar

Inglés (English)

Subtítulos: Inglés (English)

Habilidades que obtendrás

InferenceGibbs SamplingMarkov Chain Monte Carlo (MCMC)Belief Propagation

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Nivel avanzado

Aprox. 23 horas para completar

Inglés (English)

Subtítulos: Inglés (English)

Los estudiantes que toman este Course son

  • Data Scientists
  • Machine Learning Engineers
  • Research Assistants
  • Researchers
  • Scientists

Programa - Qué aprenderás en este curso

Semana
1
25 minutos para completar

Inference Overview

2 videos (Total 25 minutos)
2 videos
Overview: MAP Inference9m
1 hora para completar

Variable Elimination

4 videos (Total 56 minutos), 1 cuestionario
4 videos
Complexity of Variable Elimination12m
Graph-Based Perspective on Variable Elimination15m
Finding Elimination Orderings11m
1 ejercicio de práctica
Variable Elimination18m
Semana
2
18 horas para completar

Belief Propagation Algorithms

9 videos (Total 150 minutos), 3 cuestionarios
9 videos
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
2 ejercicios de práctica
Message Passing in Cluster Graphs10m
Clique Tree Algorithm10m
Semana
3
1 hora para completar

MAP Algorithms

5 videos (Total 74 minutos), 1 cuestionario
5 videos
Finding a MAP Assignment3m
Tractable MAP Problems15m
Dual Decomposition - Intuition17m
Dual Decomposition - Algorithm16m
1 ejercicio de práctica
MAP Message Passing4m
Semana
4
14 horas para completar

Sampling Methods

5 videos (Total 100 minutos), 3 cuestionarios
5 videos
Markov Chain Monte Carlo14m
Using a Markov Chain15m
Gibbs Sampling19m
Metropolis Hastings Algorithm27m
2 ejercicios de práctica
Sampling Methods14m
Sampling Methods PA Quiz8m
26 minutos para completar

Inference in Temporal Models

1 video (Total 20 minutos), 1 cuestionario
1 ejercicio de práctica
Inference in Temporal Models6m
4.6
56 revisionesChevron Right

50%

comenzó una nueva carrera después de completar estos cursos

20%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

20%

consiguió un aumento de sueldo o ascenso

Principales revisiones sobre Probabilistic Graphical Models 2: Inference

por ATAug 23rd 2019

Just like the first course of the specialization, this course is really good. It is well organized and taught in the best way which really helped me to implement similar ideas for my projects.

por ALAug 20th 2019

I have clearly learnt a lot during this course. Even though some things should be updated and maybe completed, I would definitely recommend it to anyone whose interest lies in PGMs.

Instructor

Avatar

Daphne Koller

Professor
School of Engineering

Acerca de Universidad de Stanford

The Leland Stanford Junior University, commonly referred to as Stanford University or Stanford, is an American private research university located in Stanford, California on an 8,180-acre (3,310 ha) campus near Palo Alto, California, United States....

Acerca de Programa especializado Probabilistic Graphical Models

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

Preguntas Frecuentes

  • Una vez que te inscribes para obtener un Certificado, tendrás acceso a todos los videos, cuestionarios y tareas de programación (si corresponde). Las tareas calificadas por compañeros solo pueden enviarse y revisarse una vez que haya comenzado tu sesión. Si eliges explorar el curso sin comprarlo, es posible que no puedas acceder a determinadas tareas.

  • Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.

  • 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

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.