Bỏ qua tới nội dung chính

Khóa học cho chủ đề

Mô hình đồ thị xác suất

Probabilistic Graphical Models

Khóa tuyển chọn cho chủ đề, từ OpenER và các trường đại học. Xem các trường và tổ chức
  • CMU · 10-708 · Xuân 2020

    Probabilistic Graphical Models (mở trong tab mới)

    Mô hình đồ họa xác suất

    Eric P. Xing

    Đề xuất chínhVideo + tài liệuLiên kết ngoàiCấp độ: Nâng caoTiếng AnhBản quyền

    Khóa sau đại học của CMU do Eric Xing giảng: mạng Bayes, trường ngẫu nhiên Markov, suy luận chính xác và lan truyền niềm tin, ước lượng tham số và EM, HMM và CRF, suy luận biến phân và lấy mẫu MCMC. Bài đọc theo sách Koller và Friedman.

    Vì sao chọn: Khóa PGM đầy đủ nhất còn mở: bài đọc theo sách Koller và Friedman, video từng buổi, ghi chú scribe và bài tập, đi từ biểu diễn tới suy luận và học.

    • Chuyên sâu

  • Stanford

    Probabilistic Graphical Models Specialization (mở trong tab mới)

    Chuỗi khóa Mô hình đồ họa xác suất

    Daphne Koller

    Thay thếChỉ tài liệuLiên kết ngoàiCấp độ: Nâng caoTiếng AnhBản quyềnCần tài khoản miễn phí

    Chuỗi ba khóa của Stanford trên Coursera do Daphne Koller, đồng tác giả sách giáo khoa chính của chủ đề, giảng: biểu diễn bằng mạng Bayes và mạng Markov, các thuật toán suy luận, rồi học tham số và cấu trúc từ dữ liệu.

    Vì sao chọn: Do chính Daphne Koller, tác giả sách giáo khoa của chủ đề, giảng; cần tài khoản Coursera để xem video và làm bài.

    • Kinh điển

  • MIT · 6.438 · Thu 2014

    Algorithms for Inference (mở trong tab mới)

    Thuật toán suy luận

    Devavrat Shah

    Nâng caoChỉ tài liệuLiên kết ngoàiCấp độ: Nâng caoTiếng AnhCC BY-NC-SA 4.0

    Khóa sau đại học của MIT về các nguyên lý suy luận thống kê trên mô hình xác suất biểu diễn bằng đồ thị, nền chung cho học máy, xử lý tín hiệu, thị giác máy tính và điều khiển. Có ghi chú bài giảng, bài tập và đề thi.

    Vì sao chọn: Đi sâu vào thuật toán suy luận trên đồ thị với ghi chú bài giảng chặt chẽ, bài tập và đề thi của MIT.

    • Chuyên sâu