Inferencia Bayesiana Amortizada Práctica

Descripción

**🎙️ Ponentes:** Thomas Wiecki, PhD, Luca Fiaschi, PhD, y **⏰ Hora:** 15:00 UTC / 8:00 AM PT / 11:00 AM ET / 5:00 PM Berlín Los métodos tradicionales de MCMC como NUTS son el estándar de referencia para la estimación de parámetros, pero se enfrentan a un obstáculo al tratar con verosimilitudes intratables, modelos de simulación complejos o demandas de producción en tiempo real donde el muestreo no puede permitirse llevar minutos u horas. Entra la Inferencia Bayesiana Amortizada (ABI): un cambio de paradigma donde arquitecturas de IA generativa (como Flujos de Normalización, Modelos de Difusión y Coincidencia de Flujos) se entrenan sin conexión para aprender distribuciones posteriores complejas. Una vez entrenada, la inferencia se convierte en un pase rápido. En este seminario web práctico, Stefan Radev (Creador de BayesFlow y Profesor Asistente en RPI) se une a PyMC Labs para demostrar cómo entrenar redes de inferencia neuronal e integrarlas directamente con los flujos de trabajo de PyMC. **Lo que aprenderás** * **Los Fundamentos de ABI:** Cómo la IA generativa convierte los modelos de simulación en motores de inferencia probabilística instantánea. * Sortear Verosimilitudes Intratables: Cómo entrenar Estimadores de Verosimilitud Neurales en BayesFlow y conectarlos al backend JAX de PyMC para muestreo MCMC. * **Entrenar Pesado, Desplegar Rápido:** Cómo trasladar la carga computacional fuera de línea para lograr inferencia bayesiana en producción en menos de un segundo. * **Diagnósticos y Confianza:** Cómo utilizar la Calibración Basada en Simulación (SBC) y diagnósticos de cobertura para asegurar que tu red neuronal no esté