Probabilistische grafische modellen. Beheers een nieuwe manier om conclusies te trekken en te leren op complexe terreinen.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Probabilistische grafische modellen (PGM’s) vormen een rijk raamwerk voor het coderen van waarschijnlijkheidsverdelingen over complexe domeinen: gezamenlijke (multivariate) verdelingen over een groot aantal willekeurige variabelen die met elkaar interageren. Deze representaties bevinden zich op het snijvlak van statistiek en informatica, en zijn gebaseerd op concepten uit de waarschijnlijkheidstheorie, grafiekalgoritmen, machinaal leren en meer. Ze vormen de basis van de meest geavanceerde methoden in een grote verscheidenheid aan toepassingen, zoals medische diagnose, beeldbegrip, spraakherkenning, natuurlijke taalverwerking en nog veel meer. Ze zijn ook een fundamenteel hulpmiddel bij het formuleren van veel machine learning-problemen.
Deze cursus is de eerste in een serie van drie. Het beschrijft de twee basisrepresentaties van PGM: Bayesiaanse netwerken, die afhankelijk zijn van een gesorteerde grafiek; en Markov-netwerken, die een ongesorteerde grafiek gebruiken. De cursus lijkt in te gaan op de theoretische kenmerken van deze representaties en hoe ze in de praktijk worden uitgevoerd. Het uitgebreide traject (sterk aanbevolen) bevat diverse praktijkopdrachten over hoe je problemen vanuit de werkelijkheid kunt representeren. De cursus zal ook enkele belangrijke uitbreidingen introduceren die verder gaan dan de basisrepresentatie van PGM, waardoor complexe modellen op een compacte manier kunnen worden gecodeerd.
Probabilistische grafische modellen (PGM’s) vormen een rijk raamwerk voor het coderen van waarschijnlijkheidsverdelingen over complexe domeinen: gezamenlijke (multivariate) verdelingen over een groot aantal willekeurige variabelen die met elkaar interageren. Deze representaties bevinden zich op het snijvlak van statistiek en informatica, en zijn gebaseerd op concepten uit de waarschijnlijkheidstheorie, grafiekalgoritmen, machinaal leren en meer. Ze vormen de basis van de meest geavanceerde methoden in een breed scala aan toepassingen, zoals medische diagnose, beeldbegrip, spraakherkenning, natuurlijke taalverwerking en meer, en meer.
Deze cursus is de tweede in een serie van drie. Na de eerste cursus, die zich richtte op representatie, behandelt deze cursus de kwestie van probabilistische gevolgtrekking: hoe PGM kan worden gebruikt om vragen te beantwoorden. Hoewel PGM-modellen doorgaans een zeer hoogdimensionale distributie beschrijven, is hun structuur zo ontworpen dat query’s efficiënt kunnen worden uitgevoerd. De cursus presenteert exacte en benaderende algoritmen voor verschillende soorten inferentietaken, en bespreekt waar elk van deze het beste kan worden toegepast. Het uitgebreide traject (sterk aanbevolen) omvat twee praktische programmeeropdrachten, waarin codeontwikkelaars van de meest voorkomende exacte en benaderende algoritmen worden gerealiseerd en toegepast op echte problemen.
Probabilistische grafische modellen (PGM’s) vormen een rijk raamwerk voor het coderen van waarschijnlijkheidsverdelingen over complexe domeinen: gezamenlijke (multivariate) verdelingen over een groot aantal willekeurige variabelen die met elkaar interageren. Deze representaties bevinden zich op het snijvlak van statistiek en informatica, en zijn gebaseerd op concepten uit de waarschijnlijkheidstheorie, grafiekalgoritmen, machinaal leren en meer. Ze vormen de basis van de meest geavanceerde methoden in een grote verscheidenheid aan toepassingen, zoals medische diagnose, beeldbegrip, spraakherkenning, natuurlijke taalverwerking en nog veel meer.
Deze cursus is de derde in een serie van drie. Na de eerste cursus, die zich richtte op representatie, en de tweede, die zich richtte op inferentie, behandelt deze cursus de kwestie van leren: hoe PGM te leren uit een reeks voorbeelden. De cursus bespreekt de belangrijkste problemen bij het schatten van parameters in mnemonische en andere modellen, evenals de taak van het leren van de structuur voor mnemonische modellen. Het uitgebreide traject (sterk aanbevolen) omvat twee praktische programmeeropdrachten, waarin twee sleuteltaken van de twee algoritmen die vaak bij het leren worden gebruikt, worden gerealiseerd en toegepast op echte problemen.
