Computational and Graphical Models in Probability

Profitez de l'une de nos meilleures offres et renforcez vos compétences avec 50 % de réduction sur Coursera Plus. Économisez maintenant.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues. Consultez les langues disponibles.

Computational and Graphical Models in Probability

Ce cours fait partie de Spécialisation "Statistical Methods for Computer Science"

Instructeurs : Ian McCulloh

Inclus avec

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

Master techniques for simulating random variables, including the Inverse Transformation and Rejection Methods using R programming.
Analyze complex networks using Exponential Random Graph Models to model and interpret social structures and their dependencies.
Understand and apply probabilistic graphical models, including Bayesian networks, to reason about uncertainty and infer relationships in data.

Compétences que vous acquerrez

Catégorie : Statistical Methods
Catégorie : Network Analysis
Catégorie : Machine Learning
Catégorie : Statistical Hypothesis Testing
Catégorie : Probability & Statistics
Catégorie : Bayesian Network
Catégorie : Statistical Programming
Catégorie : Applied Machine Learning
Catégorie : Social Network Analysis
Catégorie : Network Model
Catégorie : Data Visualization
Catégorie : Statistical Modeling
Catégorie : Sampling (Statistics)
Catégorie : Probability Distribution
Catégorie : Statistical Analysis
Catégorie : Simulations

Outils que vous découvrirez

Catégorie : R (Software)
Catégorie : R Programming

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

8 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Statistical Methods for Computer Science"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 4 modules dans ce cours

The course "Computational and Graphical Models in Probability" equips learners with essential skills to analyze complex systems through simulation techniques and network analysis. By exploring advanced concepts such as Exponential Random Graph Models and Probabilistic Graphical Models, students will learn to model and interpret intricate social structures and dependencies within data.

What sets this course apart is its emphasis on practical applications using the R programming language, empowering students to simulate random variables effectively and construct sophisticated models for real-world scenarios. Through hands-on projects and exercises, learners will not only deepen their theoretical understanding but also gain valuable experience in solving applied problems across various domains. Upon completion, you will be well-prepared to tackle challenges in data analysis, machine learning, and statistical modeling, making you a valuable asset in any data-driven field. Whether you're looking to enhance your expertise or start a new career, this course offers a unique blend of theory and practical skills that will enable you to excel in today’s data-centric world.

This course covers advanced techniques in network and probabilistic modeling, including simulation methods, exponential random graph models, and probabilistic graphical models. You will gain practical skills in analyzing complex systems and relational data.

Inclus

2 lectures1 plugin

This module develops student proficiency in simulating random variables for arbitrary density functions. Students will be introduced to the Inverse Transformation Method and the Rejection Method.

Inclus

4 vidéos2 lectures3 devoirs1 laboratoire non noté

4 vidéosTotal 72 minutes

The Inverse Transformation Method12 minutes
The Rejection Method Part 119 minutes
The Rejection Method Part 211 minutes
R Tutorial30 minutes

2 lecturesTotal 60 minutes

Reading References30 minutes
Reading References30 minutes

3 devoirsTotal 90 minutes

Simulation60 minutes
Random Variable Generation Techniques15 minutes
R Tutorial15 minutes

1 laboratoire non notéTotal 60 minutes

Practice Lab: Simulating Random Variables in R60 minutes

Exponential Random Graph Models introduce the use of exponential random graph models (ERGMs) for network analysis. You will learn how to model and interpret complex social and relational structures.

Inclus

2 vidéos2 lectures2 devoirs1 laboratoire non noté

2 vidéosTotal 71 minutes

Exponential Random Graphical Models36 minutes
Stochastic Oriented Actor Models35 minutes

2 lecturesTotal 60 minutes

Reference data20 minutes
Reading References40 minutes

2 devoirsTotal 75 minutes

Exponential Random Graph Models60 minutes
Advanced Network Modeling Techniques15 minutes

1 laboratoire non notéTotal 60 minutes

Practice Lab: Performing ERGM on Gray’s Anatomy Dataset60 minutes

This module introduces a framework for encoding probability distributions over complex joint domains over large numbers of random variables that interact with one another. Students will become familiar with probabilistic graph model applications to many machine learning problems.

Inclus

5 vidéos2 lectures3 devoirs

5 vidéosTotal 65 minutes

Bayesian Network12 minutes
Naive Bayes13 minutes
Markov Blanket10 minutes
Bayesian Inference13 minutes
R Tutorial17 minutes

2 lecturesTotal 240 minutes

Reading References120 minutes
Reading References120 minutes

3 devoirsTotal 90 minutes

Probabilistic Graphical Models60 minutes
Bayesian Network and Naive Bayes15 minutes
Bayesian Analysis and R Fundamentals15 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeurs

Ian McCulloh

Johns Hopkins University

17 Cours30 006 apprenants

Offert par

Johns Hopkins University

En savoir plus sur Probability and Statistics

Statut : Prévisualisation
Coursera
Probabilistic Graphical Models: A Compact Introduction
Cours
Statut : Essai gratuit
Johns Hopkins University
Foundations of Probability and Random Variables
Cours
Statut : Essai gratuit
Stanford University
Probabilistic Graphical Models 2: Inference
Cours
Statut : Essai gratuit
EDUCBA
Analyze Data Using R for Statistical and Predictive Modeling
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.