Modelos gráficos probabilísticos. Domina una nueva forma de sacar conclusiones y aprender en campos complejos.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad en dominios complejos: distribuciones conjuntas (multivariadas) sobre una gran cantidad de variables aleatorias que interactúan entre sí. Estas representaciones se encuentran en la intersección de la estadística y la informática y se basan en conceptos de la teoría de la probabilidad, algoritmos gráficos, aprendizaje automático y más. Forman la base de los métodos más avanzados en una amplia variedad de aplicaciones, como diagnóstico médico, comprensión de imágenes, reconocimiento de voz, procesamiento del lenguaje natural y más, y más. También son una herramienta fundamental a la hora de formular muchos problemas de aprendizaje automático.
Este curso es el primero de una serie de tres. Describe las dos representaciones básicas de PGM: redes bayesianas, que dependen de un gráfico ordenado; y redes de Markov, que utilizan un gráfico sin clasificar. El curso parece abordar las características teóricas de estas representaciones y cómo se llevan a cabo en la práctica. La pista ampliada (muy recomendable) incluye varias tareas prácticas sobre cómo representar problemas a partir de la realidad. El curso también introducirá algunas extensiones importantes más allá de la representación básica de PGM, que permiten codificar modelos complejos de forma compacta.
Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad en dominios complejos: distribuciones conjuntas (multivariadas) sobre una gran cantidad de variables aleatorias que interactúan entre sí. Estas representaciones se encuentran en la intersección de la estadística y la informática y se basan en conceptos de la teoría de la probabilidad, algoritmos gráficos, aprendizaje automático y más. Forman la base de los métodos más avanzados en una amplia variedad de aplicaciones, como diagnóstico médico, comprensión de imágenes, reconocimiento de voz, procesamiento del lenguaje natural y más, y más.
Este curso es el segundo de una serie de tres. Después del primer curso, que se centró en la representación, este curso aborda la cuestión de la inferencia probabilística: cómo se puede utilizar PGM para responder preguntas. Aunque los modelos PGM suelen describir una distribución de muy altas dimensiones, su estructura está diseñada para que las consultas se puedan realizar de manera eficiente. El curso presenta algoritmos exactos y aproximados para diferentes tipos de tareas de inferencia y analiza dónde se puede aplicar mejor cada uno de ellos. La pista extendida (muy recomendable) incluye dos tareas prácticas de programación, en las que los desarrolladores de código de los algoritmos exactos y aproximados más comunes se realizan y aplican a problemas reales.
Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad en dominios complejos: distribuciones conjuntas (multivariadas) sobre una gran cantidad de variables aleatorias que interactúan entre sí. Estas representaciones se encuentran en la intersección de la estadística y la informática y se basan en conceptos de la teoría de la probabilidad, algoritmos gráficos, aprendizaje automático y más. Forman la base de los métodos más avanzados en una amplia variedad de aplicaciones, como diagnóstico médico, comprensión de imágenes, reconocimiento de voz, procesamiento del lenguaje natural y más, y más.
Este curso es el tercero de una serie de tres. Después del primer curso, que se centró en la representación, y el segundo, que se centró en la inferencia, este curso aborda la cuestión del aprendizaje: cómo aprender PGM a partir de un conjunto de ejemplos. El curso analiza los principales problemas de estimación de parámetros en modelos mnemónicos y otros, así como la tarea de aprender la estructura de los modelos mnemónicos. La pista extendida (muy recomendable) incluye dos tareas prácticas de programación, en las que se realizan y aplican a problemas reales dos tareas clave de los dos algoritmos comúnmente utilizados en el aprendizaje.
