Modelos gráficos probabilísticos 3: Aprendizaje - Curso Virtual - Coursera Verified listing

Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad sobre dominios complejos: distribuciones conjuntas (multivariadas) sobre un gran número 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. Son la base de los métodos más avanzados en una amplia variedad de aplicaciones, como el diagnóstico médico, la comprensión de imágenes, el reconocimiento de voz, el procesamiento del lenguaje natural y muchas, muchas más. También son una herramienta fundamental en la formulación de muchos problemas de aprendizaje automático. Este curso es el tercero de una secuencia de tres. Siguiendo el 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 se puede aprender un PGM a partir de un conjunto de datos de ejemplos. El curso analiza los problemas clave de la estimación de parámetros en modelos dirigidos y no dirigidos, así como la tarea de aprendizaje de estructuras para modelos dirigidos. La pista de honores (altamente recomendada) contiene dos tareas prácticas de programación, en las que se implementan rutinas clave de dos algoritmos de aprendizaje de uso común y se aplican a un problema del mundo real.