Probabilistische grafische Modelle (PGMs) sind ein reichhaltiger Rahmen für die Kodierung von Wahrscheinlichkeitsverteilungen in komplexen Bereichen: gemeinsame (multivariate) Verteilungen über eine große Anzahl von Zufallsvariablen, die miteinander interagieren. Diese Darstellungen befinden sich an der Schnittstelle zwischen Statistik und Informatik und stützen sich auf Konzepte aus der Wahrscheinlichkeitstheorie, Graphenalgorithmen, maschinelles Lernen und mehr. Sie bilden die Grundlage für die modernsten Methoden in einer Vielzahl von Anwendungen, wie z.B. der medizinischen Diagnose, dem Bildverständnis, der Spracherkennung, der Verarbeitung natürlicher Sprache und vielen, vielen mehr. Sie sind auch ein grundlegendes Werkzeug bei der Formulierung vieler Probleme des maschinellen Lernens.
Probabilistische grafische Modelle 1: Repräsentation
Dieser Kurs ist Teil von Spezialisierung Probabilistische grafische Modelle
Dozent: Daphne Koller
91.142 bereits angemeldet
(1,432 Bewertungen)
Kompetenzen, die Sie erwerben
- Kategorie: Bayessches Netzwerk
- Kategorie: Grafisches Modell
- Kategorie: Markov-Zufallsfeld
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
12 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- 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
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.
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
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Stanford University
Stanford University
Google Cloud
Stanford University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 1432
1.432 Bewertungen
- 5 stars
74,51 %
- 4 stars
17,87 %
- 3 stars
5,23 %
- 2 stars
1,04 %
- 1 star
1,32 %
Geprüft am 24. März 2020
Geprüft am 30. Aug. 2018
Geprüft am 2. Nov. 2018
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
Wenden Sie den grundlegenden Prozess der Darstellung eines Szenarios als Bayes'sches Netzwerk oder als Markov-Netzwerk an
Analysieren Sie die Unabhängigkeitseigenschaften, die ein PGM impliziert, und stellen Sie fest, ob sie gut zu Ihrer Verteilung passen
Entscheiden Sie, welche Familie von PGMs für Ihre Aufgabe besser geeignet ist
Nutzen Sie die zusätzliche Struktur in der lokalen Verteilung für ein Bayes'sches Netzwerk, um eine kompaktere Darstellung zu ermöglichen, einschließlich baumstrukturierter CPDs, logistischer CPDs und linearer Gauß'scher CPDs
Darstellung eines Markov-Netzwerks in Form von Merkmalen über ein log-lineares Modell
Kodieren Sie temporale Modelle als Hidden Markov Model (HMM) oder als Dynamic Bayesian Network (DBN)
Verschlüsseln Sie Domänen mit sich wiederholender Struktur über ein Plattenmodell
Ein Entscheidungsproblem als Einflussdiagramm darstellen und dieses Modell zur Berechnung optimaler Entscheidungsstrategien und Strategien zur Informationsbeschaffung verwenden können
Lernende im Honors Track können diese Ideen auf komplexe, reale Probleme anwenden
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.