概率图形模型。掌握在复杂领域中得出结论和学习的新方法。
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
概率图形模型 （PGM） 是一个丰富的框架，用于对复杂领域的概率分布进行编码：跨大量相互交互的随机变量的组合分布（多变量）。这些表示形式处于统计学和计算机科学的交叉点，它们依赖于概率论、图算法、机器学习等概念。它们为医疗诊断、图像理解、语音识别、自然语言处理等广泛应用中的最先进方法奠定了基础。它们也是在机器学习中提出许多问题的基本工具。
本课程是三门课程系列中的第一门。它描述了 PGM 的两种基本表示形式：贝叶斯网格，它依赖于排序图;以及马尔可夫网络，它们使用未排序的图。该课程似乎涉及这些表示的理论特征以及它们在实践中是如何实施的。扩展轨道（强烈推荐）包括许多关于如何从现实中表示问题的实际任务。本课程还将介绍一些超出 PGM 基本表示的重要扩展，允许对复杂模型进行紧凑编码。
概率图形模型 （PGM） 是一个丰富的框架，用于对复杂领域的概率分布进行编码：跨大量相互交互的随机变量的组合分布（多变量）。这些表示形式处于统计学和计算机科学的交叉点，它们基于概率论、图算法、机器学习等概念。它们为医疗诊断、图像理解、语音识别、自然语言处理等广泛应用中的最先进方法奠定了基础。
本课程是三门课程系列中的第二门。在第一门课程（侧重于表示）之后，本课程涉及概率推理问题：如何使用 PGM 来回答问题。尽管 PGM 模型通常描述非常高维的分布，但它们的结构设计是为了可以有效地执行问题。本课程介绍了不同类型推理任务的精确和紧密算法，并讨论了每种任务的最佳应用位置。扩展轨道（强烈推荐）包括两个实际编程任务，其中实现最常见的精确和接近算法的命令开发人员并将其应用于实际问题。
概率图形模型 （PGM） 是一个丰富的框架，用于对复杂领域的概率分布进行编码：跨大量相互交互的随机变量的组合分布（多变量）。这些表示形式处于统计学和计算机科学的交叉点，它们依赖于概率论、图算法、机器学习等概念。它们为医疗诊断、图像理解、语音识别、自然语言处理等广泛应用中的最先进方法奠定了基础。
本课程是三门课程系列中的第三门。在第一门课程侧重于表示，第二门课程侧重于推理之后，本课程涉及学习问题：如何从一组示例中学习 PGM。本课程讨论了评估货币和其他模型中参数的主要问题，以及货币模型的结构学习任务。扩展轨道（强烈推荐）包括两项实际编程任务，其中实现学习中两种最常用的算法中的两项关键任务并将其应用于实际问题。
