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 3 : Apprentissage
Ce cours fait partie de Spécialisation Modèles graphiques probabilistes
Instructeur : Daphne Koller
21 765 déjà inscrits
(299 avis)
Compétences que vous acquerrez
- Catégorie : Algorithmes
- Catégorie : Algorithme de maximisation des attentes (EM)
- Catégorie : Modèle graphique
- Catégorie : Champ aléatoire de Markov
Détails à connaître
Ajouter à votre profil LinkedIn
8 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 8 modules dans ce cours
Ce module présente certaines des tâches d'apprentissage pour les modèles graphiques probabilistes que nous aborderons dans ce cours.
Inclus
1 vidéo
Ce module contient quelques concepts de base du cadre général de l'apprentissage automatique, tirés du cours du professeur Andrew Ng à Stanford proposé sur Coursera. Beaucoup de ces concepts sont très pertinents pour les problèmes que nous aborderons dans ce cours.
Inclus
6 vidéos
Ce module aborde le plus simple et le plus élémentaire des problèmes d'apprentissage dans les modèles graphiques probabilistes : l'estimation des paramètres dans un réseau bayésien. Nous discutons de l'estimation du maximum de vraisemblance et des problèmes qu'elle pose. Nous discutons ensuite de l'estimation bayésienne et de la façon dont elle peut améliorer ces problèmes.
Inclus
5 vidéos2 devoirs
Dans ce module, nous abordons le problème de l'estimation des paramètres pour les réseaux de Markov - modèles graphiques non dirigés. Cette tâche est considérablement plus complexe, tant sur le plan conceptuel que sur le plan informatique, que l'estimation des paramètres pour les réseaux bayésiens, en raison des problèmes posés par la fonction de partition globale.
Inclus
3 vidéos1 devoir1 devoir de programmation
Ce module aborde le problème de l'apprentissage de la structure des réseaux bayésiens. Nous verrons d'abord comment ce problème peut être formulé comme un problème d'optimisation sur un espace de structures de graphes, et quelles sont les bonnes façons d'évaluer les différentes structures afin de trouver un compromis entre l'adéquation aux données et la complexité du modèle. Nous expliquons ensuite comment le problème d'optimisation peut être résolu : exactement dans quelques cas, approximativement dans la plupart des autres.
Inclus
7 vidéos2 devoirs1 devoir de programmation
Dans ce module, nous abordons le problème de l'apprentissage de modèles dans les cas où certaines variables de certains cas de données ne sont pas entièrement observées. Nous expliquons pourquoi cette situation est considérablement plus complexe que le cas où les données sont entièrement observables. Nous présentons ensuite l'algorithme de maximisation des attentes (EM), qui est utilisé dans une grande variété de problèmes.
Inclus
5 vidéos2 devoirs1 devoir de programmation
Ce module résume certaines des questions qui se posent lors de l'apprentissage de modèles graphiques probabilistes à partir de données. Il contient également la finale du cours.
Inclus
1 vidéo1 devoir
Ce module présente une vue d'ensemble des méthodes de la MGP, en discutant de certains des compromis réels lors de l'utilisation de ce cadre dans la pratique. Il fait référence à des sujets issus des trois cours sur la MGP.
Inclus
1 vidéo
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 299
299 avis
- 5 stars
71,23 %
- 4 stars
19,39 %
- 3 stars
5,35 %
- 2 stars
3,01 %
- 1 star
1 %
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
Calculer les statistiques suffisantes d'un ensemble de données qui sont nécessaires à l'apprentissage d'un MGP à partir des données
Mettre en œuvre l'estimation des paramètres par le maximum de vraisemblance et l'estimation bayésienne pour les réseaux bayésiens
Mettre en œuvre l'estimation des paramètres par maximum de vraisemblance et MAP pour les réseaux de Markov
Formuler un problème d'apprentissage de structure comme une tâche d'optimisation combinatoire sur un espace de structure de réseau, et évaluer quelle fonction de notation est appropriée pour une situation donnée
Utiliser les algorithmes d'inférence des MGP de manière à permettre une estimation plus efficace des paramètres pour les MGP
Mettre en œuvre l'algorithme de maximisation des attentes (EM) pour les réseaux bayésiens
Les apprenants de la filière Honors bénéficieront d'une expérience pratique dans la mise en œuvre de l'algorithme EM et de l'apprentissage de structure pour les réseaux structurés en arbre, et les appliqueront à des tâches 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.