Stanford University
Probabilistische grafische Modelle 1: Repräsentation
Stanford University

Probabilistische grafische Modelle 1: Repräsentation

Daphne Koller

Dozent: Daphne Koller

91.283 bereits angemeldet

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.6

(1,432 Bewertungen)

Stufe Fortgeschritten
Für Personen mit Branchenerfahrung konzipiert
Flexibler Zeitplan
Ca. 66 Stunden
In Ihrem eigenen Lerntempo lernen
83%
Den meisten Lernenden gefiel dieser Kurs
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.6

(1,432 Bewertungen)

Stufe Fortgeschritten
Für Personen mit Branchenerfahrung konzipiert
Flexibler Zeitplan
Ca. 66 Stunden
In Ihrem eigenen Lerntempo lernen
83%
Den meisten Lernenden gefiel dieser Kurs

Kompetenzen, die Sie erwerben

  • Kategorie: Bayessches Netzwerk
  • Kategorie: Grafisches Modell
  • Kategorie: Markov-Zufallsfeld

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

12 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Probabilistische grafische Modelle
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
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 7 Module

Dieses Modul bietet eine allgemeine Einführung in probabilistische grafische Modelle und definiert einige der Schlüsselkonzepte, die im weiteren Verlauf des Kurses verwendet werden.

Das ist alles enthalten

4 Videos1 Aufgabe

In diesem Modul definieren wir die Bayes'sche Netzwerkdarstellung und ihre Semantik. Außerdem analysieren wir die Beziehung zwischen der Graphenstruktur und den Unabhängigkeitseigenschaften einer über diesen Graphen dargestellten Verteilung. Schließlich geben wir einige praktische Tipps, wie Sie eine reale Situation als Bayes'sches Netzwerk modellieren können.

Das ist alles enthalten

15 Videos6 Lektüren3 Aufgaben1 Programmieraufgabe

In vielen Fällen müssen wir Verteilungen modellieren, die eine wiederkehrende Struktur haben. In diesem Modul beschreiben wir Darstellungen für zwei solche Situationen. Zum einen geht es um zeitliche Szenarien, in denen wir eine probabilistische Struktur modellieren wollen, die über die Zeit konstant bleibt. Hier verwenden wir Hidden Markov Modelle oder, allgemeiner, dynamische Bayes'sche Netze. Das andere zielt auf Szenarien ab, in denen mehrere ähnliche Entitäten involviert sind, deren Eigenschaften jeweils von einem ähnlichen Modell bestimmt werden; hier verwenden wir Plate-Modelle.

Das ist alles enthalten

4 Videos1 Aufgabe

Eine tabellenbasierte Darstellung einer CPD in einem Bayes'schen Netzwerk hat eine Größe, die mit der Anzahl der Eltern exponentiell wächst. Es gibt eine Vielzahl anderer Formen von CPD, die eine Art von Struktur im Abhängigkeitsmodell ausnutzen, um eine viel kompaktere Darstellung zu ermöglichen. Hier beschreiben wir eine Reihe der in der Praxis am häufigsten verwendeten Formen.

Das ist alles enthalten

4 Videos2 Aufgaben1 Programmieraufgabe

In diesem Modul beschreiben wir Markov-Netzwerke (auch Markov-Zufallsfelder genannt): probabilistische graphische Modelle, die auf einer ungerichteten Graphendarstellung basieren. Wir besprechen die Darstellung dieser Modelle und ihre Semantik. Außerdem analysieren wir die Unabhängigkeitseigenschaften von Verteilungen, die durch diese Graphen kodiert werden, und ihre Beziehung zur Graphenstruktur. Wir vergleichen diese Abhängigkeiten mit denen, die von einem Bayes'schen Netzwerk kodiert werden, was uns einen Einblick gibt, welche Art von Modell für welche Szenarien besser geeignet ist.

Das ist alles enthalten

7 Videos2 Aufgaben1 Programmieraufgabe

In diesem Modul diskutieren wir die Aufgabe der Entscheidungsfindung unter Unsicherheit. Wir beschreiben den Rahmen der Entscheidungstheorie, einschließlich einiger Aspekte der Nutzenfunktionen. Anschließend sprechen wir darüber, wie Entscheidungsszenarien in einem grafischen Modell, dem so genannten Einflussdiagramm, kodiert werden können und wie solche Modelle Einblicke sowohl in die Entscheidungsfindung als auch in den Wert der Informationsbeschaffung bieten.

Das ist alles enthalten

3 Videos2 Aufgaben1 Programmieraufgabe

Dieses Modul bietet einen Überblick über grafische Modelldarstellungen und einige der Überlegungen aus der Praxis, wenn ein Szenario als grafisches Modell modelliert wird. Es beinhaltet auch die Abschlussprüfung des Kurses.

Das ist alles enthalten

1 Video1 Aufgabe

Dozent

Lehrkraftbewertungen
4.7 (94 Bewertungen)
Daphne Koller
Stanford University
3 Kurse95.463 Lernende

von

Stanford University

Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren

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.“

Bewertungen von Lernenden

Zeigt 3 von 1432

4.6

1.432 Bewertungen

  • 5 stars

    74,52 %

  • 4 stars

    17,86 %

  • 3 stars

    5,23 %

  • 2 stars

    1,04 %

  • 1 star

    1,32 %

AM
4

Geprüft am 2. Nov. 2018

AB
5

Geprüft am 30. Aug. 2018

CC
5

Geprüft am 24. März 2020

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

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.

Häufig gestellte Fragen