Stanford University
Modèles graphiques probabilistes 2 : Inférence
Stanford University

Modèles graphiques probabilistes 2 : Inférence

Daphne Koller

Instructeur : Daphne Koller

25 985 déjà inscrits

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

(484 avis)

niveau Avancées
Conçu pour les professionnels de ce secteur
38 heures pour terminer
3 semaines à 12 heures par semaine
Planning flexible
Apprenez à votre propre rythme
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.6

(484 avis)

niveau Avancées
Conçu pour les professionnels de ce secteur
38 heures pour terminer
3 semaines à 12 heures par semaine
Planning flexible
Apprenez à votre propre rythme

Compétences que vous acquerrez

  • Catégorie : Inférence
  • Catégorie : Échantillonnage de Gibbs
  • Catégorie : Chaîne de Markov Monte Carlo (MCMC)
  • Catégorie : Propagation des croyances

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

8 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 vue d'ensemble des principaux types de tâches d'inférence typiquement rencontrées dans les modèles graphiques : les requêtes de probabilité conditionnelle et la recherche de l'affectation la plus probable (inférence MAP).

Inclus

2 vidéos

Ce module présente l'algorithme le plus simple pour l'inférence exacte dans les modèles graphiques : l'élimination des variables. Nous décrivons l'algorithme et analysons sa complexité en termes de propriétés de la structure du graphe.

Inclus

4 vidéos1 devoir

Ce module décrit une vision alternative de l'inférence exacte dans les modèles graphiques : celle du passage de messages entre les clusters, chacun d'entre eux codant un facteur sur un sous-ensemble de variables. Ce cadre fournit une base pour une variété d'algorithmes d'inférence exacts et approximatifs. Nous nous concentrons ici sur le cadre de base et sur son instanciation dans le cas exact de la propagation d'arbres de cliques. Une leçon optionnelle décrit l'algorithme de propagation de croyances en boucle (LBP) et ses propriétés.

Inclus

9 vidéos2 devoirs1 devoir de programmation

Ce module décrit les algorithmes permettant de trouver l'affectation la plus probable pour une distribution codée sous forme de MGP (une tâche connue sous le nom d'inférence MAP). Nous décrivons les algorithmes de passage de messages, qui sont très similaires aux algorithmes de calcul des probabilités conditionnelles, à ceci près que nous devons également réfléchir à la manière de décoder les résultats pour construire une affectation unique. Dans un module optionnel, nous décrivons quelques autres algorithmes capables d'utiliser des techniques très différentes en exploitant la nature d'optimisation combinatoire de la tâche MAP.

Inclus

5 vidéos1 devoir

Dans ce module, nous discutons d'une classe d'algorithmes qui utilise l'échantillonnage aléatoire pour fournir des réponses approximatives à des requêtes de probabilités conditionnelles. La classe la plus couramment utilisée est celle des algorithmes de Monte Carlo par chaîne de Markov (MCMC), qui comprend l'algorithme simple d'échantillonnage de Gibbs, ainsi qu'une famille de méthodes connues sous le nom de Metropolis-Hastings.

Inclus

5 vidéos2 devoirs1 devoir de programmation

Dans cette brève leçon, nous discuterons de la complexité de l'application aux réseaux bayésiens dynamiques de certains algorithmes d'inférence exacts ou approximatifs que nous avons appris plus tôt dans ce cours.

Inclus

1 vidéo1 devoir

Ce module résume certains des sujets abordés dans ce cours et discute des compromis entre les différents algorithmes. Il comprend également l'examen final du cours.

Inclus

1 vidéo1 devoir

Instructeur

Évaluations de l’enseignant
4.7 (18 évaluations)
Daphne Koller
Stanford University
3 Cours95 463 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 484

4.6

484 avis

  • 5 stars

    71,07 %

  • 4 stars

    21,28 %

  • 3 stars

    5,16 %

  • 2 stars

    1,23 %

  • 1 star

    1,23 %

KD
4

Révisé le 4 nov. 2018

YP
5

Révisé le 28 mai 2017

MP
5

Révisé le 19 janv. 2021

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