Acerca de este Curso

15,686 vistas recientes

Resultados profesionales del estudiante

43%

comenzó una nueva carrera después de completar estos cursos

29%

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

17%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
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. 64 horas para completar
Inglés (English)
Subtítulos: Inglés (English)

Habilidades que obtendrás

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

Resultados profesionales del estudiante

43%

comenzó una nueva carrera después de completar estos cursos

29%

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

17%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
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. 64 horas para completar
Inglés (English)
Subtítulos: Inglés (English)

ofrecido por

Logotipo de Universidad de Stanford

Universidad de Stanford

Programa - Qué aprenderás en este curso

Semana
1

Semana 1

16 minutos para completar

Learning: Overview

16 minutos para completar
1 video (Total 16 minutos)
1 video
1 hora para completar

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

1 hora para completar
6 videos (Total 59 minutos)
6 videos
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
2 horas para completar

Parameter Estimation in Bayesian Networks

2 horas para completar
5 videos (Total 77 minutos)
5 videos
Maximum Likelihood Estimation for Bayesian Networks15m
Bayesian Estimation15m
Bayesian Prediction13m
Bayesian Estimation for Bayesian Networks17m
2 ejercicios de práctica
Learning in Parametric Models18m
Bayesian Priors for BNs8m
Semana
2

Semana 2

21 horas para completar

Learning Undirected Models

21 horas para completar
3 videos (Total 52 minutos)
3 videos
Maximum Likelihood for Conditional Random Fields13m
MAP Estimation for MRFs and CRFs9m
1 ejercicio de práctica
Parameter Estimation in MNs6m
Semana
3

Semana 3

17 horas para completar

Learning BN Structure

17 horas para completar
7 videos (Total 106 minutos)
7 videos
Likelihood Scores16m
BIC and Asymptotic Consistency11m
Bayesian Scores20m
Learning Tree Structured Networks12m
Learning General Graphs: Heuristic Search23m
Learning General Graphs: Search and Decomposability15m
2 ejercicios de práctica
Structure Scores10m
Tree Learning and Hill Climbing8m
Semana
4

Semana 4

22 horas para completar

Learning BNs with Incomplete Data

22 horas para completar
5 videos (Total 83 minutos)
5 videos
Expectation Maximization - Intro16m
Analysis of EM Algorithm11m
EM in Practice11m
Latent Variables22m
2 ejercicios de práctica
Learning with Incomplete Data8m
Expectation Maximization14m

Revisiones

Principales revisiones sobre PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Ver todos los comentarios

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

  • El acceso a las clases y las asignaciones depende del tipo de inscripción que tengas. Si tomas un curso en modo de oyente, verás la mayoría de los materiales del curso en forma gratuita. Para acceder a asignaciones calificadas y obtener un certificado, deberás comprar la experiencia de Certificado, ya sea durante o después de participar como oyente. Si no ves la opción de oyente:

    • es posible que el curso no ofrezca la opción de participar como oyente. En cambio, puedes intentar con una Prueba gratis o postularte para recibir ayuda económica.
    • Es posible que el curso ofrezca la opción 'Curso completo, sin certificado'. Esta opción te permite ver todos los materiales del curso, enviar las evaluaciones requeridas y obtener una calificación final. También significa que no podrás comprar una experiencia de Certificado.
  • 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.

  • Si estás suscrito, obtienes una prueba gratis de 7 días, que podrás cancelar cuando desees sin ningún tipo de penalidad. Una vez transcurrido ese tiempo, no realizamos reembolsos. No obstante, puedes cancelar tu suscripción cuando quieras. Consulta nuestra política completa de reembolsos.

  • Sí, Coursera ofrece ayuda económica a los estudiantes que no pueden pagar la tarifa. Solicítala haciendo clic en el enlace de Ayuda económica que está debajo del botón “Inscribirse” a la izquierda. Se te pedirá que completes una solicitud. Recibirás una notificación en caso de que se apruebe. Deberás completar este paso para cada uno de los cursos que forman parte del Programa especializado, incluido el proyecto final. Obtén más información.

  • 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

  • Este Curso no otorga crédito universitario, pero algunas universidades pueden aceptar los Certificados del curso para obtener crédito. Consulta con tu institución para obtener más información. Los Títulos en línea y los Certificados Mastertrack™ de Coursera brindan la oportunidad de obtener créditos universitarios.

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