Habilidades que obtendrás

InferenceBayesian NetworkBelief PropagationGraphical ModelMarkov Random FieldGibbs SamplingMarkov Chain Monte Carlo (MCMC)AlgorithmsExpectation–Maximization (EM) Algorithm

Acerca de este Programa Especializado

10.553 vistas recientes

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.

Proyecto de aprendizaje aplicado

Through various lectures, quizzes, programming assignments and exams, learners in this specialization will practice and master the fundamentals of probabilistic graphical models. This specialization has three five-week courses for a total of fifteen weeks.

Certificado para compartir

Obtén un certificado al finalizar

Cursos 100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Cronograma flexible

Establece y mantén fechas de entrega flexibles.

Nivel avanzado

Diseñado para quienes ya pertenecen al sector.

Aproximadamente 4 meses para completarse

Ritmo sugerido de 11 horas/semana

Inglés (English)

Subtítulos: Inglés (English), Árabe (Arabic), Francés (French), Portugués (europeo), Italiano, Vietnamita, Alemán (German), Ruso (Russian), Español (Spanish)

Certificado para compartir

Obtén un certificado al finalizar

Cursos 100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Cronograma flexible

Establece y mantén fechas de entrega flexibles.

Nivel avanzado

Diseñado para quienes ya pertenecen al sector.

Aproximadamente 4 meses para completarse

Ritmo sugerido de 11 horas/semana

Inglés (English)

Subtítulos: Inglés (English), Árabe (Arabic), Francés (French), Portugués (europeo), Italiano, Vietnamita, Alemán (German), Ruso (Russian), Español (Spanish)

Cómo funciona el programa especializado

Toma cursos

Un programa especializado de Coursera es un conjunto de cursos que te ayudan a dominar una aptitud. Para comenzar, inscríbete en el programa especializado directamente o échale un vistazo a sus cursos y elige uno con el que te gustaría comenzar. Al suscribirte a un curso que forme parte de un programa especializado, quedarás suscrito de manera automática al programa especializado completo. Puedes completar solo un curso: puedes pausar tu aprendizaje o cancelar tu suscripción en cualquier momento. Visita el panel principal del estudiante para realizar un seguimiento de tus inscripciones a cursos y tu progreso.

Proyecto práctico

Cada programa especializado incluye un proyecto práctico. Necesitarás completar correctamente el proyecto para completar el programa especializado y obtener tu certificado. Si el programa especializado incluye un curso separado para el proyecto práctico, necesitarás completar cada uno de los otros cursos antes de poder comenzarlo.

Obtén un certificado

Cuando completes todos los cursos y el proyecto práctico, obtendrás un Certificado que puedes compartir con posibles empleadores y tu red profesional.

Hay 3 cursos en este Programa Especializado

Curso1

Curso 1

Probabilistic Graphical Models 1: Representation

4.6

estrellas

1,353 calificaciones

•

301 reseña

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.

This course is the first in a sequence of three. It describes the two basic PGM representations: Bayesian Networks, which rely on a directed graph; and Markov networks, which use an undirected graph. The course discusses both the theoretical properties of these representations as well as their use in practice. The (highly recommended) honors track contains several hands-on assignments on how to represent some real-world problems. The course also presents some important extensions beyond the basic PGM representation, which allow more complex models to be encoded compactly.

Curso2

Curso 2

Probabilistic Graphical Models 2: Inference

4.6

estrellas

468 calificaciones

•

73 reseña

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.

This course is the second in a sequence of three. Following the first course, which focused on representation, this course addresses the question of probabilistic inference: how a PGM can be used to answer questions. Even though a PGM generally describes a very high dimensional distribution, its structure is designed so as to allow questions to be answered efficiently. The course presents both exact and approximate algorithms for different types of inference tasks, and discusses where each could best be applied. The (highly recommended) honors track contains two hands-on programming assignments, in which key routines of the most commonly used exact and approximate algorithms are implemented and applied to a real-world problem.

Curso3

Curso 3

Probabilistic Graphical Models 3: Learning

4.6

estrellas

291 calificaciones

•

51 reseña

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.

This course is the third in a sequence of three. Following the first course, which focused on representation, and the second, which focused on inference, this course addresses the question of learning: how a PGM can be learned from a data set of examples. The course discusses the key problems of parameter estimation in both directed and undirected models, as well as the structure learning task for directed models. The (highly recommended) honors track contains two hands-on programming assignments, in which key routines of two commonly used learning algorithms are implemented and applied to a real-world problem.

Instructor

Daphne Koller

Professor

School of Engineering

81.730 alumnos

3 cursos

Preguntas Frecuentes

¿Recibiré crédito universitario por completar el programa especializado?
Esta Especialización no otorga crédito universitario, pero algunas universidades pueden aceptar los Certificados de especializaciones 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.
Can I just enroll in a single course?
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.
¿Puedo inscribirme en un solo curso?
¡Sí! Para empezar, haz clic en la tarjeta del curso que te interesa e inscríbete. Puedes inscribirte y completar el curso para obtener un certificado que puedes compartir o puedes acceder al curso como oyente para ver los materiales del curso de manera gratuita. Cuando cancelas la suscripción de un curso que forma parte de un programa especializado, se cancela automáticamente la suscripción de todo el programa especializado. Visita el panel del estudiante para realizar un seguimiento de tu progreso.
¿Hay ayuda económica disponible?
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.
¿Puedo tomar este curso de manera gratuita?
Cuando te inscribes en el curso, tienes acceso a todos los cursos del programa especializado y obtienes un certificado cuando completas el trabajo. Si solo deseas leer y ver el contenido del curso, puedes participar del curso como oyente de manera gratuita. Si no puedes pagar la tarifa, puedes solicitar ayuda económica.
¿Este curso es 100 % en línea? ¿Necesito asistir a alguna clase en persona?
Este curso es completamente en línea, de modo que no necesitas ir a un aula en persona. Puedes acceder a tus lecciones, lecturas y tareas en cualquier momento y cualquier lugar a través de Internet o tu dispositivo móvil.
¿Cuánto tiempo se necesita para completar un programa especializado?
This class does require some abstract thinking and mathematical skills. However, it is designed to require fairly little background, and a motivated student can pick up the background material as the concepts are introduced. We hope that, using our new learning platform, it should be possible for everyone to understand all of the core material.
Though, you should be able to program in at least one programming language and have a computer (Windows, Mac or Linux) with internet access (programming assignments will be conducted in Matlab or Octave). It also helps to have some previous exposure to basic concepts in discrete probability theory (independence, conditional independence, and Bayes' rule).
Do I need to take the courses in a specific order?
For best results, the courses should be taken in order.
Will I earn university credit for completing the Specialization?
No.
¿Recibiré crédito universitario por completar el programa especializado?
You will be able to take a complex task and understand how it can be encoded as a probabilistic graphical model. You will now know how to implement the core probabilistic inference techniques, how to select the right inference method for the task, and how to use inference to reason. You will also know how to take a data set and use it to learn a model, whether from scratch, or to refine or complete a partially specified model.

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

Programa especializado: Probabilistic Graphical Models

Habilidades que obtendrás

Acerca de este Programa Especializado

Proyecto de aprendizaje aplicado