CeMEAI

REDES BAYESIANAS E APLICAÇÕES

Ministrante: Prof. Dr. Anderson Ara (UFBA)

Vagas: 50

Período de Oferecimento: 15 a 19/03/21

Horário: segunda à sexta das 10:00 às 12:00 / 14:00 às 15:00

Formato: Aulas ministradas à distância

Carga Horária total do curso: 15 horas

Público Alvo: Alunos de mestrado e doutorado interessados em métodos estatísticos e em aprendizado de máquina. Recomenda-se conhecimentos de Probabilidade e  Linguagem R.

Procedimentos para a inscrição

Preencher a ficha de inscrição on-line até 10/03/2021, anexando documentação necessária.

Preencha aqui a ficha de inscrição online até 10/3/2021: https://forms.gle/g6z5udGDkKhcZgiw7

Deverão ser anexados os seguintes documentos para análise: 

– cópia do diploma de Graduação (ou da última titulação) ou Atestado de Matrícula

– Currículo Lattes ou Vitae

– Declaração assinada pelo orientador (ou professor responsável) e aluno:

Orientador ou professor responsável deve informar na declaração concordância com a participação do aluno no curso, informando que o mesmo tem o comprometimento de realizar o curso, caso tenha sua inscrição deferida. Não há modelo específico.

Critério de Seleção para as Vagas:

O CeMEAI receberá as inscrições até o dia 10/03/2021. A documentação será analisada e as vagas serão confirmadas até dia 12/03/2021, através de email.

As vagas serão atribuídas em ordem de inscrição, para os candidatos que atenderem os critérios de seleção.

Critério de aprovação no curso para recebimento de certificado: 75% de frequência e realização das atividades propostas.

Resumo:

A metodologia de Redes Bayesianas é uma poderosa ferramenta de aprendizado estatístico de máquina bayesiano, sendo utilizada nos mais diversos contextos de aplicação. Este curso tem por objetivo introduzir tal metodologia e será desenvolvido através de aulas teóricas e exercícios computacionais utilizando linguagem R.

CONTEÚDO PROGRAMÁTICO 

  1. Redes Bayesianas. Motivação. Teorema de Bayes. Elementos Básicos. Propriedades. Equivalência de Markov.
  1. Noções de Inferência Bayesiana. Distribuições a Priori. Distribuições a Posteriori. Distribuições Conjugadas. Tabela de Probabilidade Condicional. Redes Bayesianas discretas e contínuas.
  1. Classificadores Bayesianos: Naïve Bayes, Tree Augmented Network. k-dependence Bayesian Network, Averaged one dependence estimator.
  1. Estimação de Estrutura: Métodos score-based e métodos constraint-based. Validação.
  1. Métodos de Simulação e Aplicações.

REFERÊNCIAS

KORB, K. B.; NICHOLSON, A. E. Bayesian artificial intelligence. CRC press, 2010.

NEAPOLITAN, R. E. Learning bayesian networks. Upper Saddle River, NJ: Pearson Prentice Hall, 2004.

PAULINO, C. D.; TURKMAN, M. A. A.; MURTEIRA, B. Estatística Bayesiana. Lisboa: Fundação Calouste Gulbenkian. 2003.

SCUTARI, M .; DENIS, J. Bayesian networks: with examples in R. CRC press, 2014.

Bem como artigos disponibilizados pelo ministrante como material suplementar.

Compartilhe:

Facebook
WhatsApp
Twitter
Pinterest
LinkedIn

Compartilhe:

Facebook
WhatsApp
Twitter
Pinterest
LinkedIn