Probabilistic Graphical Models 3: Learning

• ¿Cuándo podré acceder a las lecciones y tareas?

  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.

• ¿Qué recibiré si me suscribo a este Programa especializado?

  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.

• ¿Hay ayuda económica disponible?

  Sí. En ciertos programas de aprendizaje, puedes postularte para recibir ayuda económica o una beca en caso de no poder costear los gastos de la tarifa de inscripción. Si hay ayuda económica o becas disponibles para tu selección de programa de aprendizaje, verás un enlace para postularte en la página de descripción.

• Learning Outcomes: By the end of this course, you will be able to

  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

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