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.
Este curso forma parte de Programa Especializado - Probabilistic Graphical Models
ofrecido por
Programa Especializado - Probabilistic Graphical Models Universidad de StanfordAcerca 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.
Curso 3 de 3 en
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel avanzado
Aprox. 66 horas para completar
Inglés (English)
Subtítulos: Francés (French), Portugués (de Brasil), Ruso (Russian), Inglés (English), Español (Spanish)
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.
Curso 3 de 3 en
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel avanzado
Aprox. 66 horas para completar
Inglés (English)
Subtítulos: Francés (French), Portugués (de Brasil), Ruso (Russian), Inglés (English), Español (Spanish)
ofrecido por
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.
Programa - Qué aprenderás en este curso
16 minutos para completar
Learning: Overview
This module presents some of the learning tasks for probabilistic graphical models that we will tackle in this course.
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)
This module contains some basic concepts from the general framework of machine learning, taken from Professor Andrew Ng's Stanford class offered on Coursera. Many of these concepts are highly relevant to the problems we'll tackle in this course.
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
This module discusses the simples and most basic of the learning problems in probabilistic graphical models: that of parameter estimation in a Bayesian network. We discuss maximum likelihood estimation, and the issues with it. We then discuss Bayesian estimation and how it can ameliorate these problems.
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
21 horas para completar
Learning Undirected Models
In this module, we discuss the parameter estimation problem for Markov networks - undirected graphical models. This task is considerably more complex, both conceptually and computationally, than parameter estimation for Bayesian networks, due to the issues presented by the global partition function.
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
18 horas para completar
Learning BN Structure
This module discusses the problem of learning the structure of Bayesian networks. We first discuss how this problem can be formulated as an optimization problem over a space of graph structures, and what are good ways to score different structures so as to trade off fit to data and model complexity. We then talk about how the optimization problem can be solved: exactly in a few cases, approximately in most others.
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
22 horas para completar
Learning BNs with Incomplete Data
In this module, we discuss the problem of learning models in cases where some of the variables in some of the data cases are not fully observed. We discuss why this situation is considerably more complex than the fully observable case. We then present the Expectation Maximization (EM) algorithm, which is used in a wide variety of problems.
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
por SP11 de oct. de 2020
An amazing course! The assignments and quizzes can be insanely difficult espceially towards the conclusion.. Requires textbook reading and relistening to lectures to gather the nuances.
por LL29 de ene. de 2018
very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.
por ZZ13 de feb. de 2017
Great course! Very informative course videos and challenging yet rewarding programming assignments. Hope that the mentors can be more helpful in timely responding for questions.
por MV29 de abr. de 2020
Great course, especially the programming assignments. Textbook is pretty much necessary for some quizzes, definitely for the final one.
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.
Preguntas Frecuentes
¿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.
Is financial aid available?
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.
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
¿Recibiré crédito universitario por completar el Curso?
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.
