Acerca de este Curso

12,390 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. 66 horas para completar
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. 66 horas para completar
Inglés (English)

ofrecido por

Placeholder

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 Models30m
Bayesian Priors for BNs30m
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 MNs30m
Semana
3

Semana 3

18 horas para completar

Learning BN Structure

18 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 Scores30m
Tree Learning and Hill Climbing30m
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 Data30m
Expectation Maximization30m

Reseñas

Principales reseñas sobre PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

Ver todas las reseñas

Acerca de Programa especializado: Probabilistic Graphical Models

Probabilistic Graphical Models

Preguntas Frecuentes

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