Modelos Gráficos Probabilísticos: Raciocínio e Inferência

Fazer sentido da incerteza em sistemas complexos requer mais do que estatísticas simples; requer uma maneira estruturada de raciocinar sobre variáveis interconectadas.Este curso fornece um caminho claro para entender como realizar inferência - o processo de responder a consultas e fazer previsões - dentro da estrutura de Modelos Gráficos Probabilísticos (PGMs). Você transformará sua compreensão dos dados aprendendo a calcular probabilidades e encontrar as explicações mais prováveis em sistemas onde muitas variáveis interagem. Até o final deste curso, você poderá selecionar e aplicar as estratégias de inferência corretas para resolver problemas do mundo real em áreas que vão desde o diagnóstico médico até a tomada de decisão automatizada. O que você vai aprender: - Entenda os princípios básicos da inferência exata em redes bayesianas e de Markov - Aplique algoritmos de eliminação de variáveis e de passagem de mensagens para calcular probabilidades marginais - Pratique técnicas de inferência aproximadas, como Markov Chain Monte Carlo (MCMC) para dados de alta dimensão - Explore a inferência variacional como uma abordagem moderna para lidar com distribuições posteriores complexas - Analisar os trade-offs computacionais entre diferentes estratégias de inferência - Conecte modelos gráficos a conceitos modernos de aprendizado de máquina, como variáveis latentes e modelos generativos profundos O curso começa com definições fundamentais de tarefas de inferência e a lógica matemática por trás delas.Você então progredirá através de explicações escritas estruturadas de algoritmos principais, passando de métodos de cálculo exatos para técnicas modernas de aproximação usadas na indústria hoje. Este curso é projetado para iniciantes em raciocínio probabilístico que têm uma compreensão básica da probabilidade e querem dominar a lógica por trás da inferência automatizada.Não é necessária experiência prévia com modelos gráficos. Comece a aprender a raciocinar com incerteza através de modelos probabilísticos estruturados.