Computational and Graphical Models in Probability

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen. Sehen Sie sich die Sprachen an, die wir anbieten.

Computational and Graphical Models in Probability

Dieser Kurs ist Teil von Spezialisierung „Statistical Methods for Computer Science“

Dozenten: Ian McCulloh

Bei enthalten

Mehr erfahren

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Master techniques for simulating random variables, including the Inverse Transformation and Rejection Methods using R programming.
Analyze complex networks using Exponential Random Graph Models to model and interpret social structures and their dependencies.
Understand and apply probabilistic graphical models, including Bayesian networks, to reason about uncertainty and infer relationships in data.

Kompetenzen, die Sie erwerben

Kategorie: Probability & Statistics
Kategorie: Simulations
Kategorie: Graph Theory
Kategorie: Machine Learning
Kategorie: Social Network Analysis
Kategorie: Probability Distribution
Kategorie: Data Visualization
Kategorie: Statistical Hypothesis Testing
Kategorie: Statistical Modeling
Kategorie: Statistical Analysis
Kategorie: Markov Model
Kategorie: Bayesian Network
Kategorie: Network Analysis

Werkzeuge, die Sie lernen werden

Kategorie: R (Software)
Kategorie: R Programming

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

8 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Statistical Methods for Computer Science“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 4 Module

The course "Computational and Graphical Models in Probability" equips learners with essential skills to analyze complex systems through simulation techniques and network analysis. By exploring advanced concepts such as Exponential Random Graph Models and Probabilistic Graphical Models, students will learn to model and interpret intricate social structures and dependencies within data.

What sets this course apart is its emphasis on practical applications using the R programming language, empowering students to simulate random variables effectively and construct sophisticated models for real-world scenarios. Through hands-on projects and exercises, learners will not only deepen their theoretical understanding but also gain valuable experience in solving applied problems across various domains. Upon completion, you will be well-prepared to tackle challenges in data analysis, machine learning, and statistical modeling, making you a valuable asset in any data-driven field. Whether you're looking to enhance your expertise or start a new career, this course offers a unique blend of theory and practical skills that will enable you to excel in today’s data-centric world.

This course covers advanced techniques in network and probabilistic modeling, including simulation methods, exponential random graph models, and probabilistic graphical models. You will gain practical skills in analyzing complex systems and relational data.

Das ist alles enthalten

2 Lektüren1 Plug-in

This module develops student proficiency in simulating random variables for arbitrary density functions. Students will be introduced to the Inverse Transformation Method and the Rejection Method.

Das ist alles enthalten

4 Videos2 Lektüren3 Aufgaben1 Unbewertetes Labor

4 Videos Insgesamt 72 Minuten

The Inverse Transformation Method 12 Minuten
The Rejection Method Part 1 19 Minuten
The Rejection Method Part 2 11 Minuten
R Tutorial 30 Minuten

2 Lektüren Insgesamt 60 Minuten

Reading References 30 Minuten
Reading References 30 Minuten

3 Aufgaben Insgesamt 90 Minuten

Random Variable Generation Techniques 15 Minuten
R Tutorial 15 Minuten
Simulation 60 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Practice Lab: Simulating Random Variables in R 60 Minuten

Exponential Random Graph Models introduce the use of exponential random graph models (ERGMs) for network analysis. You will learn how to model and interpret complex social and relational structures.

Das ist alles enthalten

2 Videos2 Lektüren2 Aufgaben1 Unbewertetes Labor

2 Videos Insgesamt 71 Minuten

Exponential Random Graphical Models 36 Minuten
Stochastic Oriented Actor Models 35 Minuten

2 Lektüren Insgesamt 60 Minuten

Reference data 20 Minuten
Reading References 40 Minuten

2 Aufgaben Insgesamt 75 Minuten

Advanced Network Modeling Techniques 15 Minuten
Exponential Random Graph Models 60 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Practice Lab: Performing ERGM on Gray’s Anatomy Dataset 60 Minuten

This module introduces a framework for encoding probability distributions over complex joint domains over large numbers of random variables that interact with one another. Students will become familiar with probabilistic graph model applications to many machine learning problems.

Das ist alles enthalten

5 Videos2 Lektüren3 Aufgaben

5 Videos Insgesamt 65 Minuten

Bayesian Network 12 Minuten
Naive Bayes 13 Minuten
Markov Blanket 10 Minuten
Bayesian Inference 13 Minuten
R Tutorial 17 Minuten

2 Lektüren Insgesamt 240 Minuten

Reading References 120 Minuten
Reading References 120 Minuten

3 Aufgaben Insgesamt 90 Minuten

Bayesian Network and Naive Bayes 15 Minuten
Bayesian Analysis and R Fundamentals 15 Minuten
Probabilistic Graphical Models 60 Minuten

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozenten

Ian McCulloh

Johns Hopkins University

17 Kurse 25.126 Lernende

von

Johns Hopkins University

Mehr von Probability and Statistics entdecken

Coursera
Probabilistic Graphical Models: A Compact Introduction
Kurs
Johns Hopkins University
Foundations of Probability and Random Variables
Kurs
Duke University
Introduction to Probability and Data with R
Kurs
Stanford University
Probabilistic Graphical Models 2: Inference
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Mehr erfahren

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Erkunden Sie die Abschlüsse

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Mehr erfahren

Häufig gestellte Fragen

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.