Descripción

En este marco, se modela que un sistema real corresponde a un modelo probabilístico en el cual los datos del sistema son sampleados de una función de probabilidad, o PDF.  Esta tarea forma parte de un arte-y-oficio y requiere un conocimiento no sólo de estadística, sino que también y sobre todo un entendimiento profundo del problema en cuestión.  De hecho un aspecto crucial de este arte-y-oficio consiste en realizar este modelado astutamente para desplegar explícitamente variables internas del sistema que no son observadas (variables latentes), pero sobre las que se tiene conocimiento previo que puede ser explotado en forma de priors.  El marco se completa deployando la idea y teoría sobre un software probabilístico adecuado en el cual las expresiones se plasman sobre variables aleatorias en vez de sobre variables determinísticas.  La ejecución de dicho script se basa en el Teorema de Bayes para devolver al usuario una distribución de probabilidad posterior sobre los parámetros y las variables latentes del problema, los cuáles tienen una conexión con parámetros reales del sistema en estudio.  

De este modo, el modelado, la implementación y ejecución dentro del marco de Bayesian Machine Learning, pueden proveer un entendimiento único del problema a partir de la observación de los datos.  Este entendimiento puede ser explotado de diversos modos como por ejemplo en medir parámetros del problema, en medir relaciones y formas de dependencias internas entre los parámetros del problema, en identificar la composición en una muestra de datos, en hallar anomalías en los datos, en poder samplear datos sintéticos del sistema, y en particular en un entendimiento más profundo y detallado del sistema, entre otros.

Docentes

• Ezequiel Álvarez (sequi@unsam.edu.ar)

  A quién va dirigido el curso?

  • El curso está diseñado para investigadores científicos, seniors y juniors. En la primer hora se resume el tema en forma teórica, ideal para los seniors, pero también para poner en tema a los juniors. Las dos horas siguientes son bien hands-on con preogramación en Python y en lenguaje probabilístico, ideal para juniors, pero también los seniors están invitados a participar.
  • Es ideal para investigadores en física, biología, ingeniería, ciencia de datos, química, etc. También para doctorandos y alumnos avanzados en estas disciplinas.

  Información práctica

  • Una vez confirmada la inscripción se detallará el canal de Slack para el intercambio, el Github para las prácticas y la bibliografía.