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 3: Lernen
Dieser Kurs ist Teil von Spezialisierung Probabilistische grafische Modelle
Dozent: Daphne Koller
21.760 bereits angemeldet
(299 Bewertungen)
Kompetenzen, die Sie erwerben
- Kategorie: Algorithmen
- Kategorie: Erwartungs-Maximierung (EM) Algorithmus
- Kategorie: Grafisches Modell
- Kategorie: Markov-Zufallsfeld
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
8 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 8 Module
Dieses Modul stellt einige der Lernaufgaben für probabilistische grafische Modelle vor, die wir in diesem Kurs angehen werden.
Das ist alles enthalten
1 Video
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.
Das ist alles enthalten
6 Videos
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.
Das ist alles enthalten
5 Videos2 Aufgaben
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.
Das ist alles enthalten
3 Videos1 Aufgabe1 Programmieraufgabe
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.
Das ist alles enthalten
7 Videos2 Aufgaben1 Programmieraufgabe
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.
Das ist alles enthalten
5 Videos2 Aufgaben1 Programmieraufgabe
Dieses Modul fasst einige der Probleme zusammen, die beim Lernen probabilistischer grafischer Modelle aus Daten auftreten. Es enthält auch die Kursabschlussprüfung.
Das ist alles enthalten
1 Video1 Aufgabe
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.
Das ist alles enthalten
1 Video
Dozent
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Stanford University
Stanford University
Stanford University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 299
299 Bewertungen
- 5 stars
71,23 %
- 4 stars
19,39 %
- 3 stars
5,35 %
- 2 stars
3,01 %
- 1 star
1 %
Geprüft am 28. Jan. 2018
Geprüft am 30. Mai 2020
Geprüft am 23. Juni 2017
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
Berechnung der hinreichenden Statistiken eines Datensatzes, die für das Lernen eines PGM aus Daten notwendig sind
Implementieren Sie sowohl die Maximum-Likelihood- als auch die Bayes'sche Parameterschätzung für Bayes'sche Netzwerke
Implementierung von Maximum-Likelihood- und MAP-Parameterschätzungen für Markov-Netzwerke
Formulierung eines Strukturlernproblems als kombinatorische Optimierungsaufgabe über einen Raum von Netzwerkstrukturen und Bewertung, welche Bewertungsfunktion für eine bestimmte Situation geeignet ist
Nutzung von PGM-Inferenzalgorithmen, um eine effektivere Parameterschätzung für PGMs zu ermöglichen
Implementierung des Expectation Maximization (EM) Algorithmus für Bayes'sche Netzwerke
Die Teilnehmer des Honors-Tracks erhalten praktische Erfahrung in der Implementierung von EM und Strukturlernen für baumstrukturierte Netzwerke und wenden diese auf reale Aufgaben an
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.