Dieses Modul enthält einige grundlegende Konzepte aus dem allgemeinen Rahmen des maschinellen Lernens, die aus dem auf Coursera angebotenen Stanford-Kurs von Professor Andrew Ng stammen. Viele dieser Konzepte sind für die Probleme, die wir in diesem Kurs angehen werden, von großer Bedeutung.

In diesem Modul wird das einfachste und grundlegendste Lernproblem bei probabilistischen grafischen Modellen behandelt: die Parameterschätzung in einem Bayes'schen Netzwerk. Wir diskutieren die Maximum-Likelihood-Schätzung und die damit verbundenen Probleme. Anschließend erörtern wir die Bayes'sche Schätzung und wie sie diese Probleme verbessern kann.

In diesem Modul diskutieren wir das Problem der Parameterschätzung für Markov-Netzwerke - ungerichtete grafische Modelle. Diese Aufgabe ist sowohl konzeptionell als auch rechnerisch wesentlich komplexer als die Parameterschätzung für Bayes'sche Netzwerke, da die globale Partitionsfunktion ein Problem darstellt.

Dieses Modul befasst sich mit dem Problem des Lernens der Struktur von Bayes'schen Netzwerken. Zunächst wird erörtert, wie dieses Problem als Optimierungsproblem über einen Raum von Graphenstrukturen formuliert werden kann und welche Möglichkeiten es gibt, verschiedene Strukturen zu bewerten, um einen Ausgleich zwischen der Anpassung an die Daten und der Modellkomplexität zu schaffen. Dann sprechen wir darüber, wie das Optimierungsproblem gelöst werden kann: exakt in einigen Fällen, annähernd in den meisten anderen.

In diesem Modul diskutieren wir das Problem des Lernens von Modellen in Fällen, in denen einige der Variablen in einigen der Datenfälle nicht vollständig beobachtet werden. Wir erörtern, warum diese Situation wesentlich komplexer ist als der vollständig beobachtbare Fall. Anschließend stellen wir den Expectation Maximization (EM) Algorithmus vor, der bei einer Vielzahl von Problemen eingesetzt wird.

Dieses Modul fasst einige der Probleme zusammen, die beim Lernen probabilistischer grafischer Modelle aus Daten auftreten. Es enthält auch die Kursabschlussprüfung.

Dieses Modul enthält einen Überblick über die PGM-Methoden als Ganzes und erörtert einige der Kompromisse, die bei der Verwendung dieses Rahmens in der Praxis auftreten können. Es bezieht sich auf Themen aus allen drei PGM-Kursen.