Практичний амортизований байесівський висновок

Опис

**🎙️ Спікери:** Томас В'єкі, кандидат наук, Лука Фіаскі, кандидат наук, та **⏰ Час:** 15:00 UTC / 8:00 AM PT / 11:00 AM ET / 5:00 PM Берлін Традиційні методи MCMC, такі як NUTS, є золотим стандартом для оцінки параметрів, але стикаються з проблемами, коли мова йде про непридатні правдоподібності, складні моделі симуляції чи вимоги реального часу, де вибірка не може займати хвилини або години. Вступає в гру амортизований байесівський висновок (ABI): принципова зміна, де генеративні архітектури ШІ (такі як нормалізуючі потоки, моделі дифузії та відповідність потоку) навчаються в оффлайн-режимі для вивчення складних постеріорних розподілів. Після навчання, висновок стає швидким проходом. У цьому практичному вебінарі Степан Радев (творець BayesFlow та доцент в RPI) приєднується до PyMC Labs, щоб продемонструвати, як навчати нейронні мережі для висновків і інтегрувати їх безпосередньо з робочими процесами PyMC. **Що ви заберете з собою** * **Основи ABI:** Як генеративний ШІ перетворює моделі симуляції в миттєві ймовірнісні двигуни висновку. * Обхід непридатних правдоподібностей: Як навчити нейронні оцінювачі правдоподібності в BayesFlow та підключити їх до JAX для MCMC-вибірки. * **Навчайте великі моделі, швидко впроваджуйте:** Як перенести обчислювальне навантаження в оффлайн, щоб досягти байесівського висновку за частки секунди в продуктивних середовищах. * **Діагностика та довіра:** Як використовувати калібрування на основі симуляції (SBC) та діагностику покриття, щоб гарантувати, що ваша нейронна мережа не