Descrição dos Assignments e do Projeto

• #Assignment 1:

  1. What is machine learning
  2. Different ways of learning from data
  3. Why probabilistic graphical models
  4. Major types of PGMs

• #Assignment 2:

  1. What is A Probabilistic Graphical Model
  2. Modelling Conditional Probabilities as Graphs
  3. Bayesian Networks
  4. Using pgmpy package

• #Assignment 3:

  PART 1: Hidden Markov Model for sequence annotation

  1. Understand sequence annotation annotation components
  2. Understand HMM
  3. Implementation and testing

  PART 2: Parameter and Structure Learning

  1. Short context
  2. Parameter Learning in a Bayes Net
  3. Structure Learning in a Bayes Net

• #Assignment 4:

  PART 1: Variational Autoencoders

  1. Short context
  2. Understanding VAE details
  3. Testing a different Prior
  4. Comparing VAEs vs Autoencoders
  5. Conditional VAEs

  PART 2: Generative Adversarial Networks

  1. Short context
  2. Understanding vanilla GAN architecture details
  3. Testing the Wasserstein-GAN

• #Projeto:

  Desenvolvido em grupo de 2 com Mafalda Duarte.

  Objetivo: O objetivo deste projeto é conduzir uma análise de um dataset derivado do IMDB Movies Dataset, abrangendo técnicas de pré-processamento, visualização e modelagem de dados com vista ao desenvolvimento de modelos preditivos para perceber as relações entre eles. Estes objetivos devem ser atingidos dando especial foco nos métodos abordados na disciplina - Redes Bayesianas e Variational Autoencoders (VAE).

  PART 1: Implementação de modelo Bayesiano

  1. Obtenção do dataset e tratamento adequado dos dados raw (Data Cleaning, missing data, Data discretization);
  2. Análise Exploratória;
  3. Construção da estrutura da Bayes Net. Avaliar estratégias de construção da estrutura da Bayes Net, incluindo Knowledge Engineering;
  4. Aprendizagem dos parâmetros da Bayes Net;
  5. Realização de inferências. Análise da Bayes Net obtida e demonstração da utilização da rede para obtenção de inferências.

  PART 2: Implementação de modelo baseado em VAE

  1. Obtenção do dataset através do relacionamento das duas bases de dados. Exploração do dataset obtido, incluindo seleção das features de interesse e processamento das imagens;
  2. Implementação de modelo VAE com base nas imagens dos posters. Após o treino do VAE, o modelo deve ser usado para fazer a amostragem generativa de novos posters;
  3. Implementação de modelo cVAE, condicionado pelo género do filme. Extração da informação sobre o género do filme para utilizar como input do treino do cVAE. Geração de novos posters de filmes, condicionados por géneros específicos.