Aprendizagem Probabilística e Reconhecimento de Padrões

Conhecimentos de Base Recomendados

Álgebra Linear, Probabilidades e Estatística, Programação (e.g. Python, R, Matlab, C++, Java, Julia)

Métodos de Ensino

Esta UC terá aulas com slides e com trabalho de laboratório usando ferramentas interativas (por exemplo, o notebook Jupyter). Os alunos efetuarão sempre manualmente cada módulo, durante e após a aula teórica, para assimilar novos conceitos. A UC é desenhada para ser incremental e fortemente apoiada pela prática.

Resultados de Aprendizagem

Um aluno que tenha atingido os objetivos da UC será capaz de:
- Explicar conceitos centrais como Probabilistic Graphical Model (PGM), prior, posterior, verossimilhança, inferência Bayesiana e propagação de crenças
- Compreender e ser capaz de manipular os diferentes blocos de um programa probabilístico
- Reconhecer  para os diferentes PGM apresentados na UC e explicar as premissas subjacentes
- Formular um novo modelo, dada uma especificação do problema e dados
- Aplicar os diferentes métodos de inferência disponíveis nas ferramentas estudadas
- Explicar aspectos práticos dos modelos de dados, como overfitting, dinâmica do sistema (por exemplo, espaço-temporal), independência condicional, imputação, prior conjugado
- Avaliar a qualidade de diferentes modelos para um dado problema e dados
- Apresentar, e poder argumentar, um projeto baseado em PGM
- Relacionar problemas existentes e dados (e.g. domínios específicos) com abordagem de modelos probabilísticos

Estágio(s)

Não

Programa

1- Revisão de fundamentos - variável aleatória, distribuições de probabilidade, Teorema de Bayes
2- Fundamentos de Modelos Gráficos Probabilísticos - Redes Bayesianas, factorização,
independência condicional
3- Modelos gráficos probabilísticos - Modelos generativos, Representar um problema específico - Diferentes modelos - Regressão, Classificação, Modelos temporais, Modelos temáticos
4- Inferência - Inferência Exata
5- Inferência - Cadeia de Markov Monte Carlo
6- Inferência - Inferência Variacional
7- Modelos avançados

Métodos de Avaliação

Avaliação
Exame: 50.0%
Projecto: 50.0%

Bibliografia

"Model Based Machine Learning", John Winn, Christopher Bishop, Thomas Diethe, http://www.mbmlbook.com
"Probabilistic Graphical Models", Daphne Koller and Nir Friedman
"Pattern Recognition and Machine Learning", Christopher Bishop
"Bayesian Reasoning and Machine Learning2, David Barber, 2015