概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医学诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
应用的学习项目
通过各种讲座、测验、编程作业和考试,本专业的学员将练习和掌握概率图形模型的基础知识。本专业有三门为期五周的课程,共十五周。
概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医学诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
应用的学习项目
通过各种讲座、测验、编程作业和考试,本专业的学员将练习和掌握概率图形模型的基础知识。本专业有三门为期五周的课程,共十五周。
添加到您的领英档案
概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医学诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
应用的学习项目
通过各种讲座、测验、编程作业和考试,本专业的学员将练习和掌握概率图形模型的基础知识。本专业有三门为期五周的课程,共十五周。
概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医学诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
本课程是三门课程中的第一门。它介绍了两种基本的 PGM 表示法:贝叶斯网络(依赖于有向图)和马尔可夫网络(使用无向图)。课程既讨论了这些表示法的理论属性,也讨论了它们在实践中的应用。强烈推荐)荣誉赛道包含一些关于如何表示一些实际问题的实践作业。课程还介绍了基本 PGM 表示法之外的一些重要扩展,这些扩展允许对更复杂的模型进行紧凑编码。
概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医疗诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
本课程是三门课程中的第二门。第一门课程的重点是表征,本课程将讨论概率推理问题:如何使用 PGM 来回答问题。尽管 PGM 通常描述的是一个维度非常高的分布,但其结构的设计是为了能够高效地回答问题。课程针对不同类型的推理任务介绍了精确算法和近似算法,并讨论了每种算法的最佳应用场合。强烈推荐)荣誉方向包含两个动手编程作业,其中最常用的精确算法和近似算法的关键例程将被实施并应用到实际问题中。
概率图形模型(PGM)是一个丰富的框架,用于编码复杂领域的概率分布:大量随机变量相互作用的联合(多变量)分布。这些表示法处于统计学和计算机科学的交叉点,依赖于概率论、图算法、机器学习等概念。它们是医疗诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。
本课程是三门课程中的第三门。第一门课程的重点是表示,第二门课程的重点是推理,本课程将讨论学习问题:如何从实例数据集中学习 PGM。课程讨论了有向和无向模型中参数估计的关键问题,以及有向模型的结构学习任务。强烈推荐)荣誉赛道包含两个动手编程作业,其中实施了两种常用学习算法的关键例程,并将其应用到实际问题中。
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
利兰-斯坦福大学(The Leland Stanford Junior University),通常简称为斯坦福大学或斯坦福,是一所美国私立研究型大学,位于加利福尼亚州斯坦福,校园占地 8180 英亩(3310 公顷),靠近美国加利福尼亚州帕洛阿尔托。
该专业有三门为期五周的课程,共十五周。
这门课确实需要一些抽象思维和数学技能。不过,它的设计对背景要求不高,有学习动力的学生可以在介绍概念时掌握背景材料。我们希望,通过使用我们的新学习平台,每个人都能理解所有的核心材料。
不过,您应该至少会用一种编程语言编程,并有一台能上网的电脑(Windows、Mac 或 Linux)(编程作业将在 Matlab 或 Octave 中进行)。此外,了解一些离散概率论的基本概念(独立性、条件独立性和贝叶斯法则)也会有所帮助。
为达到最佳效果,应按顺序学习这些课程。
不
您将能够完成一项复杂的任务,并了解如何将其编码为概率图形模型。现在,您将知道如何实现核心概率推理技术,如何为任务选择正确的推理方法,以及如何使用推理进行推理。您还将知道如何利用数据集学习模型,无论是从头开始,还是完善或完成部分指定的模型。
本课程完全在线,因此无需亲自到教室上课。您可以随时随地通过网络或移动设备访问讲座、阅读和作业。
可以!要开始学习,请单击您感兴趣的课程卡并注册。您可以注册并完成课程,以获得可共享的证书。当您订阅属于专项课程的课程时,您将自动订阅完整的专项课程。访问您的学习者仪表板,跟踪您的学习进度。
是的。在特定的学习课程中,如果您付不起注册费,可以申请助学金或奖学金。如果您选择的学习课程有助学金或奖学金,您可以在说明页面找到申请链接。
不,您不能免费学习此课程。报名参加该课程后,您可以学习专项课程中的所有课程,完成作业后可获得证书。如果您付不起学费,可以申请经济援助。
提供助学金,