Les modèles graphiques probabilistes (MGP) constituent un cadre riche pour l'encodage des distributions de probabilité dans des domaines complexes : distributions conjointes (multivariées) sur un grand nombre de variables aléatoires qui interagissent les unes avec les autres. Ces représentations se situent à l'intersection de la statistique et de l'informatique, s'appuyant sur des concepts de la théorie des probabilités, des algorithmes de graphes, de l'apprentissage automatique, etc. Elles constituent la base des méthodes de pointe dans une grande variété d'applications, telles que le diagnostic médical, la compréhension d'images, la reconnaissance vocale, le traitement du langage naturel et bien d'autres encore. Ils constituent également un outil fondamental dans la formulation de nombreux problèmes d'apprentissage automatique.
Modèles graphiques probabilistes 1 : Représentation
Ce cours fait partie de Spécialisation Modèles graphiques probabilistes
Instructeur : Daphne Koller
91 142 déjà inscrits
(1,432 avis)
Compétences que vous acquerrez
- Catégorie : Réseau bayésien
- Catégorie : Modèle graphique
- Catégorie : Champ aléatoire de Markov
Détails à connaître
Ajouter à votre profil LinkedIn
12 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- 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
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
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
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Stanford University
Stanford University
Stanford University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 1432
1 432 avis
- 5 stars
74,51 %
- 4 stars
17,87 %
- 3 stars
5,23 %
- 2 stars
1,04 %
- 1 star
1,32 %
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
Appliquer le processus de base de représentation d'un scénario sous la forme d'un réseau bayésien ou d'un réseau de Markov
Analyser les propriétés d'indépendance impliquées par un PGM et déterminer si elles correspondent bien à votre distribution
Décidez quelle famille de PGM est la plus appropriée à votre tâche
Utilisez la structure supplémentaire de la distribution locale d'un réseau bayésien pour permettre une représentation plus compacte, y compris les DPC arborescentes, les DPC logistiques et les DPC gaussiennes linéaires
Représenter un réseau de Markov en termes de caractéristiques, via un modèle log-linéaire
Coder les modèles temporels sous la forme d'un modèle de Markov caché (HMM) ou d'un réseau bayésien dynamique (DBN)
Encoder des domaines avec une structure répétitive via un modèle de plaque
Représenter un problème de prise de décision sous la forme d'un diagramme d'influence, et être capable d'utiliser ce modèle pour calculer les stratégies de décision optimales et les stratégies de collecte d'informations
Les apprenants de la filière Honors seront capables d'appliquer ces idées à des problèmes complexes du monde réel
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.