Xin chào mọi người, chào mừng các bạn đến với lớp học về mô hình xác suất đồ thị

Tên tôi là Daphne Kohler, tôi là giáo sư tại đại học Stanford

Chúng tôi rất nóng lòng

để có thể giới thiệu một lớp học tương tự như ở Standford

đến các bạn, ở khắp mọi nơi trên toàn thế giới

Vây như thế nào là mô hình xác suất đồ thị?

Ồ, thật ra có một chút khó khăn để giải thích

và chúng ta sẽ trao đổi trong các video tiếp theo

trong toàn bộ khóa học này.

Trong video này, tôi muốn cung cấp cho các bạn một số thông tin về lớp học này.

Khóa học này sẽ diễn ra trong khoảng 10 tuần

và một bài kiểm tra để kết thúc.

Nội dung của môn học sẽ bao gồm các video,

kết hợp với các bài kiểm tra nhỏ giúp bạn hiểu sâu hơn.

Ngoài ra, sẽ có các vấn đề hàng tuần

mà mỗi vấn đề này sẽ chiếm ít nhất 25% số điểm

của 9 tuần cho nội dung học trong 9 tuần.

Các vấn đề được thiết kế để cho phép bạn có thể nộp nhiều lần

do đó, mỗi phiên bản của vấn đề có thể khác nhau một ít

do đó bạn có thể nộp lại cùng 1 vấn đề nhiều lần

để đảm bảo bạn thành thạo nội dung được cung cấp.

Ngoài ra, sẽ có bài tập lập trình hàng tuần

và các bài tập lập trình này được lựa chọn

để ôn luyện lại các khái niệm quan trọng mà chúng ta đã học,

đồng thời chúng ta có thể tìm hiểu các ứng dụng

trong đó mô hình xác suất đồ thị được áp dụng thành công.

Do đó, chúng ta sẽ có, ví dụ như,

các ví dụ làm thế nào để sử dụng mô hình xác suất đồ thị

để hiểu cơ chế di truyền của bệnh di truyên.

Chúng ta có thể chỉ ra

làm thế nào để quan sát được các ký tự viết tay

và đọc được những gì đã viết ra.

Và chúng ta sẽ tìm hiểu những thứ cho phép bạn

quan sát được chuỗi đầu ra từ bộ nhận cảm biến Kinect

mà cung cấp cho bạn không những video mà cả dữ liệu

và nhận dạng được hoạt động của con người.

Mỗi bài lập trình sẽ chiếm khoảng 7% điểm

trong tổng số 63%

mà sẽ để khoảng 12% còn lại cho bài kiểm tra cuối.

Kiến thức cơ bản mà bạn cần cho khóa học là gì?

Thực sự rất khó để hoàn thành khóa học

mà không có sự hiểu biết về lý thuyết xác suất cơ bản.

Điều đó không thực sự là điều cốt lõi.

Chúng ta sẽ thảo luận về cả biến độc lập và luật Bayes.

Và một vài lý thuyết cơ bản về phân phối rời rạc.

Và chúng ta cũng giới thiệu về các module

để bạn có thể nhớ dễ dàng các khái niệm cơ bản.

Các bài lập trình sẽ yêu cầu

bạn phải có kỹ năng lập trình

bởi vì đây không phải là lớp về lập trình.

Chúng tôi sẽ không dạy bạn làm thế nào để lập trình.

Và vì lớp là sự kết hợp giữ lý thuyết xác suất và khoa học máy tính,

nó thực sự rất quan trọng nếu bạn có các kiến thức cơ bản về cấu trúc dữ liệu và giải thuật.

Đây chỉ là lời khuyên, chứ không phải là hạn chế cần thiết

và chúng tôi không thực sự yêu cầu chúng,

và chúng tôi cung cấp các kiến thức cơ bản nhất có thể,

như là các kinh nghiệm, có thể, trong học máy,

có thể là phương pháp tối ưu đơn giản như giảm đạo hàm,

mọi thứ không thật quá chi tiết.

Và có thể rất tốt nếu bạn có kinh nghiệm lập trình với Matlab hoặc Octave.

Mặc dù, chúng tôi giới thiệu một vài modules

có thể giúp bạn học ngôn ngữ lập trình nếu bạn chưa sử dụng nó trước đây.

Một vài vấn đề nhỏ được chú ý:

Lớp học này có "honor" code.

Đây là yêu cầu dành cho sinh viên Standford khi học các khóa học của Standford.

"honor" code nói rằng bạn được phép thảo luận về học liệu,

thực tế khuyến khích về học liệu giữa các sinh viên trong lớp.

Bạn có thể hỏi để làm rõ các vấn đề và bài tập lập trình.

Nhưng những gì bạn nộp phải là do chính bạn làm.

Ngoài ra, chúng tôi yêu cầu bạn không tải các bài tập lập trình

hoặc lời giải của chúng lên bất cứ đâu trên web,

do đó các thế hệ sinh viên tiếp theo có thể làm

các vấn đề và bài tập lập trình độc lập một cách tốt nhất.

Vấn đề thứ hai cần lưu ý là quản lý thời gian.

Đây là lớp học tương đương với mức độ tốt nghiệp của Standford

và nó được đánh giá là một môn khó ở Standford.

Một sinh viên bình thường ở Standford có thể dễ dàng dành

10 đến 15 giờ một tuần cho lớp học này,

và vì thế chúng tôi cũng khuyên bạn nên dành

ít nhất một khối lượng thời gian cho nỗ lực trong môn học.

Nếu bạn không muốn bị thiếu thời gian

khi các hạn nộp bài đến.

Chúng tôi đã đưa ra hạn nộp có thể thay đổi

do dó, nếu bạn không thể nộp đúng hạn chính,

bạn có thêm một tuần.

Nhưng, rõ ràng điều đó sẽ ảnh hưởng tới các tuần kế tiếp.

Vì vậy, chúng tôi khuyên bạn không nên để

tồn đọng các bài tập trong môn học,

bởi vì nó có thể ảnh hưởng tới bạn lúc kết thúc.

Cuối cùng, một phần kinh nghiệm của lớp học này

là sự tương tác với các sinh viên khác,

và đó là mục địch chúng ta có diễn đàn trao đổi

được cung cấp như các lớp học khác

là tài nguyên vô giá khi trao đổi với các sinh viên khác,

đặt câu hỏi và hiểu sâu xắc học liệu.

Chúng tôi khuyến khích bạn tổ chức các nhóm học

với các nhóm thực tế với những người cùng vị trí địa lý,

hoặc nhóm trực tuyến mà các bạn có thể thảo luận về học liệu với nhau.

CHúng tôi tin rằng điều đó

sẽ giúp bạn hiểu tốt hơn về học liệu

và sẽ làm khóa học trở nên thú vị hơn.

Cuối cùng, để tổng kết

thông qua các nội dung và bài tập,

chúng tôi nghĩ rằng bạn sẽ học được phương pháp cơ bản

trong lĩnh vực mô hình xác suất đồ thị.

bạn có thể quan sát và sử dụng chún

trong các ứng dụng thực tế mà các phương pháp được áp dụng

và hi vọng bạn sẽ kết thúc khóa học với hiểu biết

làm thế nào để có được ý tưởng và sử dụng chúng trong công việc của bạn

trong các vấn đề bạn quan tâm.

Chúng tôi mong được gặp bạn trong khóa học.