-
Olá a todos e sejam bem-vindos
ao curso de "Probabilistic Graphical Models".
-
Meu nome é Daphne Koller,
sou professora da Universidade de Stanford.
-
Nós aqui em Stanford
estamos animados
-
por oferecer este curso de
nível de pós-graduação da Stanford
-
para qualquer pessoa, em
qualquer lugar do mundo, gratuitamente.
-
Então, o que são "Probabilistic Graphical Models"?
-
Bem, é um pouco complicado explicar,
-
vamos falar disso em outro vídeo,
-
e também em todo o curso.
-
Neste vídeo, gostaria de falar
sobre o formato do curso.
-
O curso vai ser oferecido em
mais de dez semanas de materiais
-
além de um exame final no fim.
-
O conteúdo vai ser passado
através de vídeos,
-
complementado por "quizzes"
para reforçar o entendimento.
-
Além disso, ele terá
"problem sets" semanais,
-
onde estes "problem sets"
valerão 25% da pontuação total
-
teremos um total de nove "problem sets"
para as nove semanas de conteúdo.
-
Os "problem sets" são projetados
para permitir a múltipla submissão,
-
sendo que, cada versão dos "problem sets"
serão um pouco diferentes,
-
assim, você pode reenviar o mesmo
"problem set" [a] algumas vezes
-
para certificar-se de que
você realmente domina o material.
-
Além disso, vamos ter
um "programming assignment" semanal,
-
e estes "programming assignments"
foram selecionados
-
para reforçar conceitos específicos
que estudaremos no curso,
-
e ao mesmo tempo,
revelar a gama de aplicações
-
em que "probabilistic graphical models"
pode ser aplicado com sucesso.
-
Então, nós vamos ter, por exemplo,
-
um "problem set" onde você
usará "probabilistic graphical models"
-
para compreender a herança
de doenças geneticamente herdadas.
-
Nós vamos ter um,
que mostra como você pode
-
olhar para um conjunto de
caracteres manuscritos
-
e ler o que está escrito.
-
Vamos ter um,
que permite que você
-
olhe para um fluxo de saída
de um sensor Kinect
-
que lhe dá, tanto vídeo quanto dados
-
e reconhecer atividades humanas.
-
Estes nove "programming assignments" valerão,
cada um 7% da pontuação
-
para um total de 63%,
-
o que nos deixa 12%
para o exame final.
-
Que conhecimento você
precisa ter pra esse curso?
-
Bem, será muito difícil fazer esse curso,
-
sem entendimento básico
da teoria da probabilidade.
-
Não precisa ser nada muito avançado.
-
Estamos falando de coisas como
independência e regra de Bayes
-
e noções básicas de distribuições discretas.
-
Também temos módulos introdutórios
-
para refrescar sua memória
sobre esses conceitos básicos.
-
Os trabalhos de programação exigirão
-
que você tenha alguma
experiência em programação
-
porque este não é um curso de programação.
-
Nós não ensinaremos como programar.
-
E já que este curso funde idéias
da teoria da probabilidade e ciência da computação,
-
é muito importante que você tenha alguma
experiência em algoritmos e estruturas de dados.
-
Recomendável, mas não estritamente necessário,
-
e nós não o exigiremos,
-
nós lhe daremos o conhecimento pra ir-
-
um pouco de experiência,
talvez, em aprendizado de máquina,
-
talvez algum, em otimização simples
como gradiente descendente,
-
nada muito sofisticado.
-
Seria útil ter alguma experiência
de programação em Matlab ou Octave,
-
embora, também tenhamos aqui,
alguns módulos introdutórios
-
que o ajudarão a aprender esta linguagem de
programação, caso você não tenha usado ela antes.
-
Algumas outras questões dignas de nota:
-
Esse curso tem um código de honra.
-
Esta é a mesma norma seguida pelos nossos
estudantes na Stanford quando eles estão tendo aulas.
-
O código de honra diz que
você está autorizado a discutir o material,
-
Na verdade, você é incentivado a discutir
a matéria com seus colegas de classe.
-
Você pode até pedir esclarecimentos sobre questões
dos "problems sets" e "programming assignments".
-
Mas o que você entrega
tem que ser o seu próprio trabalho.
-
Além disso, solicitamos que você não
coloque os "programming assignments"
-
ou as suas soluções
em qualquer lugar da web,
-
para que as futuras gerações
de estudantes possam fazer
-
os "problems sets" e
"programming assignments" sozinhos.
-
Uma segunda questão que temos
em mente é a gestão do tempo.
-
Este é um curso de nível
de pós-graduação da Stanford
-
que é considerada uma
tarefa difícil, mesmo em Stanford.
-
Um estudante típico da Stanford
pode facilmente dedicar
-
10-15 horas por semana pra esse curso,
-
então, sugerimos que você reserve
-
pelo menos essa quantidade de tempo
para seus próprios afazeres deste curso
-
para que você não se veja,
correndo contra o tempo
-
quando uma "submission deadline" se aproximar.
-
Nós demos em um pouco de folga
para o prazo de entrega (submission deadline),
-
por isso, caso você não esteja pronto
pra apresentar, até o prazo original,
-
você tem uma semana de carência.
-
Mas que, obviamente, começa a interferir
no "problem set" da próxima semana.
-
Então, nós recomendamos
que você não mantenha
-
um acúmulo de atribuições
ao longo do curso,
-
porque isso vai acabar se
voltando contra você no final.
-
Por fim, parte da sua experiência neste curso
-
está na interação com seus colegas,
-
portanto, para esse proposito,
temos o fórum de discussão
-
que provou em outros cursos
-
ser um recurso inestimável
para interação com outros estudantes,
-
fazer perguntas e obter uma
compreensão mais profunda do material.
-
Nós também encorajamos você
a formar grupos de estudo-
-
estes podem ser grupos de estudo
com pessoas físicas, na mesma região geográfica,
-
ou grupos de estudo on-line onde você
pode apenas discutir a matéria com os outros.
-
Acreditamos que isso
-
vai lhe dar uma melhor
compreensão do material
-
e vai tornar o curso
muito mais divertido também.
-
Então, para resumir,
-
através de todos estes diferentes
conteúdos e exercícios,
-
acreditamos que você vai
aprender métodos fundamentais
-
na área de "probabilistic graphical models".
-
Você também vai começar
a ver e brincar com
-
uma gama de aplicações do mundo real
para o qual estes métodos têm sido aplicados,
-
esperamos que você termine
este curso com o entendimento
-
de como tirar essas idéias
e usá-las em seu próprio trabalho
-
em problemas que o preocupam.
-
Estamos ansiosos para vê-lo neste curso.
