UFMG - Departamento de Ciência da
Computação
| Aula # | Tópico | Leitura | Trabalho |
|---|---|---|---|
| Semana 01 Aula 01 3a, 06/agosto |
Administração e Introdução ao curso: PGM-AdmIntro.pdf Estudos observacionais e experimentais: slides |
Darwiche
(2010)
CACM K & F: Capítulos 1 e 2 Opcional: Bayes at NYTime ou em pdf aqui e NYTimes: Steven Strogatz em Chances are... ou em pdf aqui e Fisher e a controvérsia sobre câncer de pulmão e fumo |
Lista 01 de exercícios:
|
| Semana 01 Aula 02 5a, 08/agosto |
Estudos observacionais e experimentais: slides | Causalidade: critérios de Sir Bradforfd Hill | |
| Semana 01 Aula 03 Sábado, 10/agosto |
prova - 5pontos - verificação de pré-requisitos |
PROVA_exemplo - estilo de questões que serão cobradas na prova |
|
| Material pré-requisito: leia os
slides e textos sobre propriedades básicas de variáveis aleatórias. Vou
supor este material conhecido. Variáveis aleatórias, Distribuições marginais e condicionais: PGM-Aula01.pdf Texto com o material dos slides Videos de DK: 1-1: PGM: Welcome 1-2: Overview and Motivation 1-3: Probability distributions 1-4: Factors (opcional, por enquanto) 2-1: Semantics an Factorization |
K & F:
3.1 e 3.2 Murphy: Seção 10.1 Opcional: Transparências de DK: aqui |
||
| Semana 02 Aula 04 3a, 13/agosto |
Independência condicional: slides |
Dois primeiros capítulos de Scutari e Denis Pode começar a ler... |
Lista 02 de Exercícios Entregar dia 20 de agosto, terça, até as 23:55 pelo moodle (ou por e-mail se não tiver acesso ao moodle) |
| 5a, 15/agosto | FERIADO |
||
| Semana 03 Aula 05 3a, 20/agosto |
Definição de Redes Bayesianas | Capítulo de Modelos Gráficos do livro PRML de Bishop | |
| Semana 03 Aula 06 5a, 22/agosto |
Fatoração e Independência Condicional |
Slides opcionais sobre I-map Vídeos de DK: 2-1: Semantics an Factorization 2-2: Reasoning Patterns 2-3: Flow of Probabilistic Influence 2-4: Conditional Independence 2-5: Independencies in BN |
|
| Semana 04 Aula 07 3a, 27/agosto |
Aula com Túlio Criscuolo Primeiro capítulo de Scutari e Denis |
Annotated R script: introduction to BN in R. Siga o script lendo os primeiro capítulo do livro Bayesian Networks de Scutari e Denis. Continuação do annotated R script: Dataset survey.txt |
|
| Semana 04 Aula 08 5a, 29/agosto |
Aula com Túlio Criscuolo Segundo capítulo de Scutari e Denis |
Script R para reproduzir toda a análise do capítulo 2 do livro de Scutari e Denis Crop datasets: Dataset1 Dataset2 |
|
| Semana 05 Aula 09 3a, 03/setembro |
Plates e template models |
Vídeos de Daphne Koller, Stanford: 3-1: Overview of Template Models 3-2: Temporal Models 3-3: Hidden Markov Models 3-4: Plate Models |
|
| Semana 05 Aula 10 5a, 05/setembro | Prioris e posterioris: caso binomial (a partir do slide 47) | Lista 03 de Exercícios 1) Fazer 1, 2, 3, 6 (este é longo!!!), 20 e 22 da Seção 2 (Redes Bayesianas) a partir da página 13 2) Fazer 1 e 3 da Seção 5 (Prioris e Posterioris), a partir da página 26 Dados para exerc 6 da seção 2 dataset.dat joint.dat | |
| Semana 06 Aula 11 3a, 10/setembro |
Material sobre Normal Multivariada | Recursos adicionais (from Roman Garnett PGM class): Book: Bishop PRML: Section 2.3 (The Gaussian Distribution). This is a truly excellent and in-depth discussion! Book: Barber BRML: Section 8.4 (Multivariate Gaussian). Book/reference: Rasmussen and Williams GPML: Section A.2 (Gaussian Identities), available here. This is a good cheat sheet! Notes: Chuong B. Do put together some notes on the multivariate Gaussian for the Stanford machine learning class here. These go a bit more in depth than my notes, if you want to see more details. Website: The Wikipedia articles on the normal distribution and the multivariate normal distribution are quite complete. Video: YouTube user mathematicalmonk has a lecture on the multivariate normal available as well. Video: Alexander Ihler also has a lecture on the multivariate normal, including information on how to sample from the distribution |
|
| Semana 06 Aula 12 5a, 12/setembro |
Ler capítulo 9: Simulação Monte Carlo Slides sobre Simulação Monte Carlo |
||
| Semana 07 Aula 13 5a, 17/setembro |
Slides sobre Filtro de Kalman Script R para filtro de Kalman |
Série de vídeos sobre Filtro de Kalman feitos pelo MATLAB. | |
Semana 07 Aula 14 5a, 19/setembro |
PRIMEIRA PROVA - PGM |
Primeira Prova de 2014 - Gabarito Primeira Prova de 2015 - Gabarito Primeira Prova de 2016 - Gabarito Primeira Prova de 2017 - Gabarito Primeira Prova de 2018 - Gabarito |
|
| Semana 08 Aula 15 3a, 24/setembro |
Slides sobre Robótica Probabilística: exemplo Slides sobre Filtro de Particulas Script R para filtro de partículas |
Bonitos exemplos de filtro de partículas aplicado em robótica. Veja a partir de 35:04 |
Lista 04 (no moodle): exerc 2 e 3 do cap 6 e exerc 10 do cap 8 do livro de exercícios |
| Semana 08 Aula 16 5a, 26/setembro |
Introdução a Amostrador de Gibbs - Intro - Gibbs - Slides Slides - Minas de Carvão Texto - Gibbs e Minas de Carvão R Script - Minas de carvão Gibbs para BNs discretas - Não foi exposto em sala (muito simples) mas é leitura obrigatória Texto R script |
||
| Semana 09 Aula 17 3a, 01/outubro |
Excelente
material sobre Métodos Monte Carlo , incluindo Amostradorde
Gibbs, Metropolis-Hastings, simulated annealing etc. Este material é mais avançado (com provas) do que o que vimos em sala de aula LIVROS ADICIONAIS FOCANDO SOBRE MCMC: Introduction to Applied Bayesian Statistics and Estimation for Social Scientists - Scott Lynch - Livro muito didático e que exige pouco conhecimento prévio Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, Second Edition - Gamerman e Lopes - Livro mais técnico que o anterior. Introducing Monte Carlo Methods with R - Robert and Casella - similar ao livro acima em termos de conteúdo e pré-requisito Monte Carlo Statistical Methods - Robert and Casella, dos mesmos autores que o livro acima. Este livro é o mais completo e técnico de todos eles, todas as demonstrações e resultados mais complicados explicados em detalhes. |
Lista ?? de Exercícios Dados de mortalidade infantil do DATASUS, região sul, 2015 |
|
|
Semana 09 Aula 18 5a, 03/outubro |
Mistura de Normais - texto Script R Modelo LDA - texto Script R Modelo LDA - contas detalhadas |
Artigo didático sobre LDA |
|
| Semana 10 |
Metropolis-Hastings Algorithm Código R para MH Mais código MH : Modelo TRI |
||
| Semana 11 |
Fundamentos: Markov chain e MCMC Detailed Balance for MH e GS OpenBUGS - Descricao Student BN em OpenBUGS - arquivo .odc Crescimento de Camundongos - MyRats.odc Habilidade em testes - MyLSAT.odc |
||
| Semana 12 |
Markov Random Fields MRF, Ising, MCMC - notas de aula |
Aplicações de Markov Random Fields: A generative spatial clustering model for random data through spanning trees - Teixeira, Assuncao e Loschi ICDM 2015 Exploring multiple evidence to infer users’ location in Twitter Slides: Rodrigues Et Al. Paper: Neurocomputing 2015 |
|
| Semana 13 |
Introducao a Conditional Random Fields para Textos Slides: crf-pgm.pdf continução de CRF - Intro a Hidden Markov Models e Algoritmo de Viterbi Slides aqui Conditional Random Fields - final - slides |
||
| Model Selection Script R: Learning a DAG Material de Daphne Koller: slides |
|||
|
|
|
|
|
| Semana
11 Aulas 39 a 42 3a., 24 out. 5a., 26 out. |
Segunda Prova de 2014 - Gabarito Segunda Prova de 2015 - Gabarito Segunda Prova de 2016 - Gabarito Segunda Prova de 2017 - Gabarito Segunda prova de 2018 - Gabarito Terceira Prova de 2014 - Sem Gabarito Terceira Prova de 2016 - Sem Gabarito Terceira Prova de 2017 - Gabarito |