Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/20697| Tipo: | Dissertação |
| Título: | A tutorial on variational methods for machine learning |
| Autor(es)/Inventor(es): | Cinelli, Lucas Pinheiro |
| Orientador: | Silva, Eduardo Antônio Barros da |
| Coorientador: | Lima Netto, Sergio |
| Resumo: | Apresenta-se, nesta dissertação, um tutorial sobre modelos generativos profundos, especicamente autocodicadores variacionais (Variational Autoeconders VAE) e redes neurais Bayesianas profundas. Apesar de disparatos à primeira vista, ambos assuntos são próximamente interligados pela visão probabilística do aprendizado de máquina. Dessa forma, descrevem-se métodos de inferência aproximada visto que técnicas exatas são adequedas tão somente em condições muito restritas em que o tempo de cálculo é viável. Extensões modernas de tais métodos, capazes de escalar adequadamente ao tamanho dos modelos, que contêm milhões de parâmetros, e às atuais bases de dados com milhões de exemplos, são expostas e suas aplicações em redes neurais profundas demonstradas ao longo dos capítulos junto de implementações práticas que exemplicam o uso de ditos modelos. |
| Resumo: | In this work, we present a tutorial on deep generative models, specically Varia- tional Autoencoders (VAE) and deep Bayesian Neural Networks (BNN). In spite of being apparently distinct, both themes are intimately connected through the pro- babilistic view of machine leaning. Therefore, we describe approximate inference methods since exact approaches are only adequate in very limited conditions in which the computation time remains feasible. We discuss modern extensions to such methods, capable of adequately sca- ling to models with millions of parameters and equally large data sets. Furthermore, we illustrate their relevance in each chapter through applications using (deep) neural networks. |
| Palavras-chave: | Modelos generativos Codificador automático variacional Redes neurais Bayesianas Inferência aproximada Inferência variacional Propagação da expectativa |
| Assunto CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
| Programa: | Programa de Pós-Graduação em Engenharia Elétrica |
| Unidade produtora: | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | Mai-2019 |
| País de publicação: | Brasil |
| Idioma da publicação: | eng |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 925314.pdf | 1.42 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.