Willkommen! (05:35)

Hallo alle, und willkommen zur Vorlesung über probabilistische Graphmodelle.

Mein Name ist Daphne Koller und ich bin Professorin an der Universität Stanford.

Wir hier in Stanford sind wirklich begeistert

in der Lage zu sein, diese Vorlesung auf Stanford-Universitätsniveau jedem

anbieten zu können, gratis überall auf der Welt.

Nun, was sind probabilistische Graphmodelle?

Ja, das ist etwas schwierig zu erklären

und wir werden dies in einem folgenden Video besprechen,

wie auch durch die gesamte Vorlesung hindurch.

In diesem Video würde ich euch gerne etwas zu dem Rahmen dieser Veranstaltung erzählen.

Der Kurs wird angeboten mit zehn Wochen Lerninhalten

plus einer Abschlussprüfung am Ende.

Die Inhalte werden über eine Folge von Videos vermittelt,

die zur Verstärkung des Verständnisses mit Abfragen versehen sind.

Zusätzlich gibt es wöchentlich einen Satz an Hausaufgaben,

wobei alle Hausaufgaben zusammen 25% des Ergebnisses ausmachen

mit insgesamt neun Hausaufgabensätzen für den Inhalt von neun Wochen.

Die Umsetzung der Hausaufgabensätze erlaubt eine wiederholte Beantwortung;

bei jedem Versuch ergeben sich leicht variierte Versionen,

so dass ihr die Hausaufgaben wiederholt bearbeiten könnt,

um sicherzustellen, das ihr den Stoff wirklich gemeistert habt.

Dazu wird es eine wöchentliche Programmierübung geben;

die Programmierübungen wurden besonders ausgewählt,

um die in dem Kurs studierten Konzepte zu untermauern,

aber auch gleichzeitig die Spanne der Anwendungen zu enthüllen,

für welche probabilistische Graphmodelle erfolgreich genutzt werden können.

Darunter haben wir, beispielsweise,

eine Reihe von Aufgabenstellungen, wie man probabilistische Graphmodelle verwendet,

um die genetischen Beziehungen von Erbkrankheiten zu verstehen.

Eine weitere haben wir, die zeigt

wie man eine Folge handschriftlicher Zeichen erfassen kann,

und entziffern, was geschrieben wurde.

Eine weitere haben wir, die euch ermöglicht

den Ausgabekanal eines Kinect-Sensors zu erfassen

welcher Video- und Entfernungsdaten liefert,

und die Handlungen von Menschen zu erkennen.

Diese neun Programmierübungen werden jeweils 7% des Ergebnisses ausmachen,

insgesamt 63%,

was uns 12% für die Abschlussprüfung lässt.

Welche Voraussetzungen benötigt ihr für diese Vorlesung?

Nun. es wird wirklich schwierig werden dieser Vorlesung zu folgen,

ohne ein Verständnis grundlegender Wahrscheinlichkeitstheorie.

Dies muss kein besonders fortgeschrittener Stoff sein.

Wir sprechen über Dinge wie Unabhängigkeit oder den Satz von Bayes

und einfach Grundlagen diskreter Verteilungen.

Auch haben wir ein paar Einführungsabschnitte,

um eure Erinnerung dieser grundlegenden Konzepte aufzufrischen.

Die Programmierübungen werden erfordern,

dass ihr zuvor irgendwelche Erfahrungen mit Programmierung gesammelt habt,

da dies keine Programmiervorlesung ist.

Wir bringen euch nicht das Programmieren bei.

Und da diese Vorlesung Ideen von Wahrscheinlichkeitstheorie und Informatik verbindet,

ist es wirklich wichtig, dass ihr eine Grundlage in Algorithme und Datenstrukturen habt.

Empfohlen, aber nicht zwingend notwendig –

dies verlangen wir selbstverständlich nicht,

und werden euch im Verlaufe die Grundlagen vermitteln –

wäre ein wenig Erfahrung mit maschinellem Lernen,

etwa einfache Optimierung wie Gradient Descent,

nichts besonders Ausgefeiltes.

Auch wäre es hilfreich, etwasAuch wäre es hilfreich, etwas Programmiererfahrung mit Matlab oder Octave zu haben,Auch wäre es hilfreich, etwas Programmiererfahrung mit Matlab oder Octasve zu haben, Programmiererfahrung mit Matlab oder Octasve zu haben,

obwohl wir hier ebenfalls einige einführende Abschnitte haben,

welche euch helfen diese Programmiersprache zu lernen, wenn ihr zuvor noch nicht damit herum gespielt habt.

Ein paar andere Dinge sind der Erwähnung würdig:

Diese Vorlesung hat einen Ehrenkodex.

Dieser ist auch das Richtmaß unserer Stanford-Studenten vor Ort, wenn sie eine Vorlesung bei uns besuchen.

Der Ehrenkodex besagt, dass ihr euch über den Vorlesungsstoff austauschen dürft,

tatsächlich sogar ernutigt seid, den Stoff mit euren Mitstudierenden zu diskuieren.

Ihr könnt sogar Verständnisfragen zu den Hausaufgaben und den Programmierübungen stellen.

Aber was ihr abschickt, hat euer eigenes Werk zu sein.

Weiterhin verlangen wir von euch, weder die Programmieraufgaben zu schicken,

noch die Lösungen irgendwo im Web zu veröffentlichen,

so dass auch zukünftige Generationen von Studenten noch

die Hausaufgaben und Programmierübungen genauso bearbeiten können.

Ein zweiter Punkt ist das Zeitmanagement.

Dies ist eine Vorlesung auf Stanford-Universitätsniveau,

welche sogar in Stanford als eine schwierige angesehen wird.

Ein üblicher Stanford-Student kann leicht

zehn bis fünfzehn Stunden wöchentlich für diese Vorlesung verbringen,

und so würden wir euch vorschlagen, mindestens

einen ähnlichen Zeitbedarf für eure eigenen Bemühungen für diese Vorlesung einzuplanen,

wenn ihr euch nicht in Zeitnöten wiederfinden wollt,

wenn eine Abgabe-Deadline naht.

Wir haben einen kleinen Puffer in die Abgabe-Deadline eingebaut,

so dass, wenn ihr nicht zur tatächlichen Deadline abschicken könnt,

euch eine Woche Gnadenfrist bleibt.

Aber dies wird natürlich auf den Hausaufgabensatz der Folgewoche einwirken.

So raten wir euch davon ab,

einen Hausaufgaben-Rückstand durch die Vorlesung zu schleppen,

da dies dann am Ende auf euch zurückstürzen wird.

Schließlich, ein Teil der Teilnahme an dieser Vorlesung

ist der Austausch mit euren Mitstudenten,

wofür wir die Online-Diskussions-Plattform faben,

welche sich in anderen Vorlesungen bereits

als unschätzbares Mittels des Austausches mit anderen Studenten erwiesen hat,

zum Stellen von Fragen und Erlangen tieferen Verständnisses des Stoffes.

Wir ermutigen euch auch, Arbeitsgruppen zu bilden –

dies mögen leibhaftige Arbeitsgruppen mit Leuten aus gleicher Gegend sein,

oder Online-Arbeitsgruppen, wo ihr einfach den Stoff untereinader diskutieren könnt.

Dies zu tun, glauben wir,

wird euch ein viel besseres Verständnis des Stoffes geben,

und die Vorlesung auch deutlich vergnüglicher machen.

Also zusammengefasst,

durch diese verschiedenen Stücke Lehrstoff und die Hausaufgaben,

glauben wir, dass ihr die grundlegenden Verfahren

in diesem Gebiete probabilistischer Graphmodelle lernen werdet.

Außerdem erhaltet ihr zum Betrachten und Ausprobieren

eine Palette praktisch bewährter Anwendungen in welchen diese Verfahren angewandt sind.

Hoffentlich verlasst ihr diese Vorlesung mit einem Verständnis

wie ihr diese Ideen verwendet und in eurer eigenen Arbeit nutzt,

für Aufgaben, die euch am Herzen liegen.

Wir freuen uns darauf, euch in dieser Vorlesung zu sehen.