Aulas Sobre Amostragem – Aprendizado de Máquina Probabilístico

Disciplina de Aprendizado de Máquina Probabilística (MDCC UFC, Mestrado e Doutorado em Computação da Universidade Federal do Ceará) #

📅 Datas: 30 de janeiro de 2025 e 4 de fevereiro de 2025
👨‍🏫 Professor anfitrião: César Lincoln Cavalcante Mattos (UFC)
📍 Disciplina: Aprendizado de Máquina Probabilístico
🖥️ Tema: Introdução a Métodos de Amostragem para Inferência Bayesiana

📌 Aula 1 - Fundamentos da Inferência Bayesiana e Métodos de Amostragem #

📅 Data: 30 de janeiro de 2025
🎯 Tópicos abordados:

1. Fundamentos da Inferência Bayesiana:
   • Modelagem probabilística e atualização de crenças
   • Exemplos de modelos conjugados: Poisson-Gamma, Normal-Gamma
2. Amostragem para Inferência Não Conjugada:
   • Introdução aos métodos de Monte Carlo (MCMC, Hamiltonian Monte Carlo)
   • Métodos aproximados: Amostragem por Rejeição e Importância
3. Aplicações Práticas:
   • Regressão Bayesiana e Regressão Logística Bayesiana
   • Fatoração Matricial Probabilística
   • Variational Autoencoders (VAEs)
4. Exemplos Computacionais (com notebooks interativos no Google Colab)

🔗 Materiais:

• 📄 Slides da Aula 1: Baixar PDF
• 📜 Google Colab: Executar Código

📌 Aula 2 - Algoritmos Avançados de Amostragem para Inferência Bayesiana #

📅 Data: 4 de fevereiro de 2025
🎯 Tópicos abordados:

1. Cadeias de Markov e Algoritmos de MCMC:
   • Introdução a Cadeias de Markov
   • Algoritmos Metropolis-Hastings, Gibbs Sampling e Hamiltonian Monte Carlo
2. Métodos Avançados:
   • Langevin Dynamics e Metropolis-Adjusted Langevin Algorithm (MALA)
   • Sequential Monte Carlo (Filtros de Partículas)
   • Busca e amostragem em espaços discretos e não euclidianos
3. Aplicações em Modelos Probabilísticos:
   • Redes Neurais Bayesianas e Inferência Variacional
   • Uso de Hamiltonian Monte Carlo para inferência eficiente
4. Exemplos Computacionais (com notebooks interativos no Google Colab)

🔗 Materiais:

• 📄 Slides da Aula 2: Baixar PDF
• 📜 Google Colab: Executar Código

🎓 Invited Lectures – Probabilistic Machine Learning (Federal University of Ceará) #

📅 Dates: January 30, 2025, and February 4, 2025
👨‍🏫 Host Professor: César Lincoln Cavalcante Mattos (Federal University of Ceará)
📍 Course: Probabilistic Machine Learning
🖥️ Topic: Introduction to Sampling Methods for Bayesian Inference

📌 Lecture 1 - Foundations of Bayesian Inference and Sampling Methods #

📅 Date: January 30, 2025 🎯 Topics Covered:

1. Foundations of Bayesian Inference:
   • Probabilistic modeling and belief updating
   • Examples of conjugate models: Poisson-Gamma, Normal-Gamma
2. Sampling for Non-Conjugate Inference:
   • Introduction to Monte Carlo methods (MCMC, Hamiltonian Monte Carlo)
   • Approximate methods: Rejection and Importance Sampling
3. Practical Applications:
   • Bayesian Regression and Logistic Regression
   • Probabilistic Matrix Factorization
   • Variational Autoencoders (VAEs)
4. Hands-on Examples (with interactive Google Colab notebooks)

🔗 Materials:

• 📄 Lecture 1 Slides: Download PDF
• 📜 Google Colab: Run Code

📌 Lecture 2 - Advanced Sampling Algorithms for Bayesian Inference #

📅 Date: February 4, 2025
🎯 Topics Covered:

1. Markov Chains and MCMC Algorithms:
   • Introduction to Markov Chains
   • Metropolis-Hastings, Gibbs Sampling, and Hamiltonian Monte Carlo
2. Advanced Methods:
   • Langevin Dynamics and Metropolis-Adjusted Langevin Algorithm (MALA)
   • Sequential Monte Carlo (Particle Filters)
   • Sampling in Discrete and Non-Euclidean Spaces
3. Applications in Probabilistic Models:
   • Bayesian Neural Networks and Variational Inference
   • Hamiltonian Monte Carlo for Efficient Inference
4. Hands-on Examples (with interactive Google Colab notebooks)

🔗 Materials:

• 📄 Lecture 2 Slides: Download PDF
• 📜 Google Colab: Run Code