Os editais para seleção de alunos para ingresso nas turmas 2021.1 dos cursos de Mestrado e Doutorado em Ciência da Computação da Universidade Federal do Ceará já estão disponíveis!

As inscrições ocorrem no período de 04/01/2021 a 24/01/2021.

As inscrições devem ser realizadas eletronicamente, em 02 fases, nos links abaixo (Consulte o edital para mais informações sobre o procedimento de inscrições).

1º Passo:

Inscrição no SIGAA/UFC

Caso queira filtrar pelo programa, selecione: "PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS DA COMPUTAÇÃO".

2º Passo:

Para concluir a inscrição, acesse:

http://selecao.mdcc.ufc.br:8080/mdcc/candidato/apresentacao

Os editais podem ser acessados através dos links abaixo:

• Edital 01/2020 - Mestrado em Ciência da Computação
• Edital 02/2020 - Doutorado em Ciência da Computação

Título: Contributions on latent projections for Gaussian process modeling

Data: 09/09/2020

Horário: 10:00

Local: Videoconferência

Resumo:

Projetar dados num espaço latente é uma operação rotineira em aprendizado de máquina. Um dos incentivos para realizar tal transformação é a hipótese da variedade (manifoldhypothesis), que diz que a maioria dos dados amostrados de um processo empírico tendem a estar dentro de um espaço de dimensão menor. Já que essa representação menor não é visível no conjunto de dados, técnicas probabilísticas de aprendizado de máquina conseguem propagar as incertezas nos dados para a representação latente de forma acurada. Em particular, processos Gaussianos (GP) são uma família de métodos de kernel probabilísticos que foram aplicados com sucesso em tarefas de regressão e redução de dimensão. Contudo, no caso da redução de dimensão, inferência variacional determinística e eficiente só existe para um conjunto mínimo de kernels. Portanto, eu proponho o unscented Bayesian Gaussian process latent variable model (UGPLVM), um método de inferência alternativo para o Bayesian Gaussian process latent variable model que usa a transformação \textit{unscented} a fim de permitir o uso de kernels completamente arbitrários enquanto se mantem eficiente em amostragem. Para regressão com modelos GP, o deep Gaussian process (DGP) composicional é um modelo popular que utiliza transformações sucessivas entre espaços latentes para aliviar a dificuldade de escolher de um kernel. Contudo, essa não é a única construção possível para um DGP. Nessa dissertação, eu proponho outra construção para DGP onde cada camada controla a suavidade da próxima, ao invés de compor entradas com saídas diretamente. Esse modelo é chamado de deep Mahalanobis Gaussian process (DMGP), e ele é baseado em pesquisas anteriores sobre a integração de hiperparâmetros do kernel Mahalanobis e, então, incorpora a ideia de projeções localmente lineares. Ambas as propostas usam inferência variacional determinística mas ainda mantem os mesmos resultados e escabilidade que métodos não determinísticos em várias tarefas experimentais. Os experimentos para o UGPLVM cobrem tarefas de redução de dimensionalidade e simulação de sistemas dinâmicos com propagação de incerteza, e, para o DMGP, cobrem tarefas de regressão em conjuntos de dados sintéticos e empíricos.

Banca Examinadora:

- Prof. Dr. Amauri Holanda de Souza Junior (IFCE)

- Prof. Dr. João Paulo Pordeus Gomes (UFC - Orientador)

- Prof. Dr.César Lincoln Cavalcante Mattos (UFC - Coorientador)

- Prof. Dr. Felipe Tobar (UCHILE)