Stanford University
Modèles graphiques probabilistes 1 : Représentation
Stanford University

Modèles graphiques probabilistes 1 : Représentation

Daphne Koller

Instructeur : Daphne Koller

91 275 déjà inscrits

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.6

(1,432 avis)

niveau Avancées
Conçu pour les professionnels de ce secteur
Planning flexible
Env. 66 heures
Apprenez à votre propre rythme
83%
La plupart des apprenants ont aimé ce cours
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.6

(1,432 avis)

niveau Avancées
Conçu pour les professionnels de ce secteur
Planning flexible
Env. 66 heures
Apprenez à votre propre rythme
83%
La plupart des apprenants ont aimé ce cours

Compétences que vous acquerrez

  • Catégorie : Réseau bayésien
  • Catégorie : Modèle graphique
  • Catégorie : Champ aléatoire de Markov

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

12 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Emplacement réservé

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation Modèles graphiques probabilistes
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • Apprenez de nouveaux concepts auprès d'experts du secteur
  • Acquérez une compréhension de base d'un sujet ou d'un outil
  • Développez des compétences professionnelles avec des projets pratiques
  • Obtenez un certificat professionnel partageable
Emplacement réservé
Emplacement réservé

Obtenez un certificat professionnel

Ajoutez cette qualification à votre profil LinkedIn ou à votre CV

Partagez-le sur les réseaux sociaux et dans votre évaluation de performance

Emplacement réservé

Il y a 7 modules dans ce cours

Ce module fournit une introduction générale aux modèles graphiques probabilistes et définit quelques-uns des concepts clés qui seront utilisés plus tard dans le cours.

Inclus

4 vidéos1 devoir

Dans ce module, nous définissons la représentation du réseau bayésien et sa sémantique. Nous analysons également la relation entre la structure du graphe et les propriétés d'indépendance d'une distribution représentée sur ce graphe. Enfin, nous donnons quelques conseils pratiques sur la manière de modéliser une situation réelle sous la forme d'un réseau bayésien.

Inclus

15 vidéos6 lectures3 devoirs1 devoir de programmation

Dans de nombreux cas, nous devons modéliser des distributions qui ont une structure récurrente. Dans ce module, nous décrivons des représentations pour deux situations de ce type. L'une concerne les scénarios temporels, dans lesquels nous voulons modéliser une structure probabiliste qui reste constante dans le temps ; nous utilisons ici des modèles de Markov cachés ou, plus généralement, des réseaux bayésiens dynamiques. L'autre vise les scénarios qui impliquent plusieurs entités similaires, dont chacune des propriétés est régie par un modèle similaire ; ici, nous utilisons les modèles de plaques.

Inclus

4 vidéos1 devoir

Une représentation sous forme de tableau d'une DPC dans un réseau bayésien a une taille qui croît de manière exponentielle avec le nombre de parents. Il existe une variété d'autres formes de DPC qui exploitent un certain type de structure dans le modèle de dépendance pour permettre une représentation beaucoup plus compacte. Nous décrivons ici un certain nombre des formes les plus couramment utilisées dans la pratique.

Inclus

4 vidéos2 devoirs1 devoir de programmation

Dans ce module, nous décrivons les réseaux de Markov (également appelés champs aléatoires de Markov) : des modèles graphiques probabilistes basés sur une représentation graphique non dirigée. Nous discutons de la représentation de ces modèles et de leur sémantique. Nous analysons également les propriétés d'indépendance des distributions encodées par ces graphes, et leur relation avec la structure du graphe. Nous comparons ces indépendances à celles codées par un réseau bayésien, ce qui nous donne un aperçu du type de modèle le mieux adapté à chaque scénario.

Inclus

7 vidéos2 devoirs1 devoir de programmation

Dans ce module, nous abordons la question de la prise de décision en situation d'incertitude. Nous décrivons le cadre de la théorie de la décision, y compris certains aspects des fonctions d'utilité. Nous verrons ensuite comment les scénarios de prise de décision peuvent être codés sous la forme d'un modèle graphique appelé diagramme d'influence, et comment de tels modèles permettent de comprendre à la fois la prise de décision et la valeur de la collecte d'informations.

Inclus

3 vidéos2 devoirs1 devoir de programmation

Ce module fournit une vue d'ensemble des représentations de modèles graphiques et de certaines considérations du monde réel lors de la modélisation d'un scénario en tant que modèle graphique. Il comprend également l'examen final du cours.

Inclus

1 vidéo1 devoir

Instructeur

Évaluations de l’enseignant
4.7 (94 évaluations)
Daphne Koller
Stanford University
3 Cours95 455 apprenants

Offert par

Stanford University

Recommandé si vous êtes intéressé(e) par Apprentissage automatique

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

Affichage de 3 sur 1432

4.6

1 432 avis

  • 5 stars

    74,52 %

  • 4 stars

    17,86 %

  • 3 stars

    5,23 %

  • 2 stars

    1,04 %

  • 1 star

    1,32 %

AM
4

Révisé le 2 nov. 2018

AB
5

Révisé le 30 août 2018

CC
5

Révisé le 24 mars 2020

Emplacement réservé

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions