Objetivos: Introduzir as ferramentas básicas dos modelos probabilísticos gráficos (MPG) e discutir modelos
de Aprendizado Profundo (Deep Learning) recentes baseados em MPGs, bem como suas aplicações.
Ementa:
Introdução aos modelos gráficos probabilísticos
Modelos direcionais e não-direcionais
Estimação de Parâmetros
Inferência variacional
Técnicas de amostragem
Modelos generativos profundos
Modelos de sequência profundos.
Aprendizado de estruturas
Processos Gaussianos
Modelos gráficos espectrais
Meta-aprendizado
Aplicações
Metodologia e Avaliação: (1) Realização de seminários temáticos pelos alunos, (2) prova, (3) produção de artigo científico de conferência e (4) apresentação de artigo científico (a resolução das listas de exercício são opcionais, porém fortemente recomendadas).
Pré-requisitos: Conhecimento / experiência básica em Probabilidade e Estatística, Aprendizado de Máquina, e programação em Linguagem Python.
Canal: Google Classroom e Meet - contactar professor (jbfilho@poli.ufrj.br) até 02/05 para receber link - preferencialmente por e-mail institucional COPPE.
Bibliografia:
Daphne Koller and Nir Friedman, Probabilistic Graphical Models: Principles and Techniques, 1st Ed, 2009, MIT Press
Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning, 1st Ed, 2016, MIT Press
Kevin Murphy, Machine Learning: A Probabilistic Perspective, 1st Ed, 2012, MIT Press
Michael I. Jordan, An Introduction to Probabilistic Graphical Models (a draft version here)
Artigos, revisões bibliográficas e materiais complementares a a definir.
Vídeo-aulas e materiais associados do curso da Carnegie Mellow - Probabilistic Graphical Models (10-708) (acessível em https://www.cs.cmu.edu/~epxing/Class/10708-20/lectures.html).
Cronograma:
Programação corrente (última atualização: 23/04)
Datas Importantes:
Prova - 17/06/2021
Entrega de formulário de proposta de projeto = 29/06/2021 08/07
Apresentação e entrega de artigo - 27/07/2021 29/07
Material do Curso:
Avisos:
[04/05/2021] Início das aulas.
[23/04/2021] Construção do site.