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: modelos gráficos de probabilidades
19.945 ya inscrito
Ofrecido Por
Acerca de este Curso
8212 vistas recientes
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
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
Nivel avanzado
Aprox. 66 horas para completar
Inglés (English)
Habilidades que obtendrás
- Algorithms
- Expectation–Maximization (EM) Algorithm
- Graphical Model
- Markov Random Field
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
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
Nivel avanzado
Aprox. 66 horas para completar
Inglés (English)
Ofrecido por
Programa - Qué aprenderás en este curso
16 minutos para completar
Learning: Overview
16 minutos para completar
1 video (Total 16 minutos)
1 hora para completar
Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)
1 hora para completar
6 videos (Total 59 minutos)
2 horas para completar
Parameter Estimation in Bayesian Networks
2 horas para completar
5 videos (Total 77 minutos)
21 horas para completar
Learning Undirected Models
21 horas para completar
3 videos (Total 52 minutos)
18 horas para completar
Learning BN Structure
18 horas para completar
7 videos (Total 106 minutos)
22 horas para completar
Learning BNs with Incomplete Data
22 horas para completar
5 videos (Total 83 minutos)
Reseñas
- 5 stars71,38 %
- 4 stars19,52 %
- 3 stars5,38 %
- 2 stars3,03 %
- 1 star0,67 %
Principales reseñas sobre PROBABILISTIC GRAPHICAL MODELS 3: LEARNING
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.
por AK8 de nov. de 2017
Awesome course... builds intuitive thinking for developing intelligent algorithms...
por LC27 de ago. de 2018
Great course, though with the progress of ML/DL, content seems a touch outdated. Would
por WZ5 de mar. de 2017
Excellent course! Everyone interested in PGM should consider!
Acerca de Programa especializado: modelos gráficos de probabilidades

Preguntas Frecuentes
¿Cuándo podré acceder a las lecciones y tareas?
¿Qué recibiré si me suscribo a este Programa especializado?
¿Hay ayuda económica disponible?
Learning Outcomes: By the end of this course, you will be able to
¿Tienes más preguntas? Visita el Centro de Ayuda al Estudiante.