Modelos gráficos probabilísticos 1: Representação

coursera.inc

coursera.inc

Modelos gráficos probabilísticos 1: Representação

Descrição

Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Curso 1 de 3 no
Especialização de modelos gráficos probabilísticos
Nível avançado
Aproximadamente. 67 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Daphne Koller
Professor
Escola de Engenheiro do Sable – O que você aprenderá com este curso
Introdução e Visão geral
Este módulo fornece uma introdução geral aos modelos gráficos probabilísticos e define alguns dos principais conceitos que serão usados ​​posteriormente no curso.
Rede Bayesiana (modelos direcionados)
Neste módulo, definimos a representação da rede bayesiana e sua semântica. Também analisamos a relação entre a estrutura do gráfico e as propriedades de independência de uma distribuição representada nesse gráfico. Por fim, damos algumas dicas práticas sobre como modelar uma situação do mundo real como uma rede bayesiana.
Modelos de modelos para redes bayesianas
Em muitos casos, precisamos modelar distribuições que possuem uma estrutura recorrente. Neste módulo, descrevemos representações para duas dessas situações. Um deles são os cenários temporais, onde queremos modelar uma estrutura probabilística que se mantém constante ao longo do tempo; Aqui, usamos modelos Hidden Markov ou, de maneira mais geral, redes bayesianas dinâmicas. O outro visa cenários que envolvem várias entidades semelhantes, cada uma de cujas propriedades são governadas por um modelo semelhante; Aqui, usamos modelos de placas.
CPDs estruturados para redes bayesianas
Uma representação baseada em mesa de um CPD em uma rede bayesiana tem um tamanho que cresce exponencialmente no número de pais. Há uma variedade de outras formas de CPD que exploram algum tipo de estrutura no modelo de dependência para permitir uma representação muito mais compacta. Aqui descrevemos vários dos mais usados ​​na prática.
Redes de Markov (modelos não direcionados)
Neste módulo, descrevemos as redes Markov (também chamadas de campos aleatórios de Markov): modelos gráficos probabilísticos com base em uma representação de gráfico não direcionada. Discutimos a representação desses modelos e sua semântica. Também analisamos as propriedades de independência das distribuições codificadas por esses gráficos e sua relação com a estrutura do gráfico. Comparamos essas independências com as codificadas por uma rede bayesiana, dando -nos algumas dicas sobre qual tipo de modelo é mais adequado para quais cenários.
Tomando uma decisão
Neste módulo, discutimos a tarefa de tomada de decisão sob incerteza. Descrevemos a estrutura da teoria da decisão, incluindo alguns aspectos das funções de utilidade. Em seguida, falamos sobre como os cenários de tomada de decisão podem ser codificados como um modelo gráfico chamado diagrama de influência e como esses modelos fornecem informações sobre a tomada de decisão e o valor da coleta de informações.
Engenharia e Resumo do Conhecimento
Este módulo fornece uma visão geral das representações gráficas do modelo e algumas das considerações do mundo real ao modelar um cenário como um modelo gráfico. Também inclui o exame final do curso.

Avaliações

Não há avaliações ainda.

Seja o primeiro a avaliar “Modelos gráficos probabilísticos 1: Representação”

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Cursos Relacionados

PHP Code Snippets Powered By : XYZScripts.com