Los modelos probabilısticos gráfcos son potentes herramientas estadısticas que permiten recuperar, a partir de series de datos, las relaciones de dependencia condicional existentes entre el grupo de variables que conforman un sistema, y éstas son representadas en un grafo.
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 de 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.
Únete al canal oficial de CardBiss para más Cursos GRATIS
El curso discute 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 (muy recomendada) contiene dos asignaciones prácticas de programación, en las que se implementan y aplican rutinas clave de dos algoritmos de aprendizaje de uso común a un problema del mundo real.
Lo que aprenderás:
- Aprendizaje: descripción general:
- Este módulo presenta algunas de las tareas de aprendizaje de modelos gráficos probabilísticos que abordaremos en este curso.
- Revisión de los conceptos de aprendizaje automático de la clase de aprendizaje automático del profesor Andrew Ng (opcional):
- Este módulo contiene algunos conceptos básicos del marco general del aprendizaje automático, extraídos de la clase de Stanford del profesor Andrew Ng que se ofrece en Coursera. Muchos de estos conceptos son muy relevantes para los problemas que abordaremos en este curso.
- Estimación de parámetros en redes bayesianas:
- Este módulo analiza los problemas de aprendizaje más simples y básicos en modelos gráficos probabilísticos: el de la estimación de parámetros en una red bayesiana. Discutimos la estimación de máxima verosimilitud y sus problemas. Luego discutimos la estimación bayesiana y cómo puede mejorar estos problemas.
- Aprendizaje de modelos no dirigidos:
- En este módulo, discutimos el problema de estimación de parámetros para redes de Markov: modelos gráficos no dirigidos. Esta tarea es considerablemente más compleja, tanto conceptual como computacionalmente, que la estimación de parámetros para redes bayesianas, debido a los problemas que presenta la función de partición global.
- Aprendizaje de la estructura de BN:
- Este módulo analiza el problema de aprender la estructura de las redes bayesianas. Primero discutimos cómo este problema se puede formular como un problema de optimización en un espacio de estructuras gráficas, y cuáles son las buenas formas de puntuar diferentes estructuras para compensar el ajuste a los datos y la complejidad del modelo. Luego hablamos sobre cómo se puede resolver el problema de optimización: exactamente en unos pocos casos, aproximadamente en la mayoría de los demás.
- Aprendizaje de BN con datos incompletos:
- En este módulo, discutimos el problema de los modelos de aprendizaje en los casos en que algunas de las variables en algunos de los casos de datos no se observan completamente.
Discutimos por qué esta situación es considerablemente más compleja que el caso completamente observable. A continuación, presentamos el algoritmo de maximización de expectativas (EM), que se utiliza en una amplia variedad de problemas.
- Resumen de aprendizaje y final:
- Este módulo resume algunos de los problemas que surgen al aprender modelos gráficos probabilísticos a partir de datos. También contiene el final del curso.
- Resumen de PGM:
- Este módulo contiene una descripción general de los métodos PGM en su conjunto, discutiendo algunas de las compensaciones del mundo real cuando se usa este marco en la práctica. Se refiere a temas de los tres cursos de PGM.
¿Cómo obtengo el curso?
Este curso es ofrecido desde la plataforma de Coursera, es un curso que puedes obtener de manera gratuita bajo ciertas condiciones.
La primera opción es elegir la opción de “Curso gratuito sin certificado”, de esta manera podrás acceder al contenido del curso y finalizarlo, pero no podrás obtener un certificado de finalización avalado por la plataforma.
La segunda opción es elegir “auditar curso”, con esta opción podrás acceder al contenido de video del curso, pero no podrás realizar los exámenes ni obtener el certificado de finalización. Si no ves la opción de auditar curso, debes verificar en la parte de abajo usando el scroll (en forma de link).
Las opciones varían dependiendo el curso, pero con cualquiera de las dos podrás acceder gratuitamente al contenido. Por si fuera poco, algunos cursos tienen la opción de ayuda económica, con los cuales puedes solicitar dicho apoyo y ser acreedor de un curso de pago.
Para obtener el curso de manera gratuita da clic en el siguiente botón: