Ce module contient quelques concepts de base du cadre général de l'apprentissage automatique, tirés du cours du professeur Andrew Ng à Stanford proposé sur Coursera. Beaucoup de ces concepts sont très pertinents pour les problèmes que nous aborderons dans ce cours.

Ce module aborde le plus simple et le plus élémentaire des problèmes d'apprentissage dans les modèles graphiques probabilistes : l'estimation des paramètres dans un réseau bayésien. Nous discutons de l'estimation du maximum de vraisemblance et des problèmes qu'elle pose. Nous discutons ensuite de l'estimation bayésienne et de la façon dont elle peut améliorer ces problèmes.

Dans ce module, nous abordons le problème de l'estimation des paramètres pour les réseaux de Markov - modèles graphiques non dirigés. Cette tâche est considérablement plus complexe, tant sur le plan conceptuel que sur le plan informatique, que l'estimation des paramètres pour les réseaux bayésiens, en raison des problèmes posés par la fonction de partition globale.

Ce module aborde le problème de l'apprentissage de la structure des réseaux bayésiens. Nous verrons d'abord comment ce problème peut être formulé comme un problème d'optimisation sur un espace de structures de graphes, et quelles sont les bonnes façons d'évaluer les différentes structures afin de trouver un compromis entre l'adéquation aux données et la complexité du modèle. Nous expliquons ensuite comment le problème d'optimisation peut être résolu : exactement dans quelques cas, approximativement dans la plupart des autres.

Dans ce module, nous abordons le problème de l'apprentissage de modèles dans les cas où certaines variables de certains cas de données ne sont pas entièrement observées. Nous expliquons pourquoi cette situation est considérablement plus complexe que le cas où les données sont entièrement observables. Nous présentons ensuite l'algorithme de maximisation des attentes (EM), qui est utilisé dans une grande variété de problèmes.

Ce module résume certaines des questions qui se posent lors de l'apprentissage de modèles graphiques probabilistes à partir de données. Il contient également la finale du cours.

Ce module présente une vue d'ensemble des méthodes de la MGP, en discutant de certains des compromis réels lors de l'utilisation de ce cadre dans la pratique. Il fait référence à des sujets issus des trois cours sur la MGP.