MIT Broderick教授视频讲解《变分贝叶斯:可扩展贝叶斯推理的基础》附291页ppt

麻省理工（MIT）Tamara Broderick副教授。Tamara之前是Michael Jordan的学生，主要研究Bayesian Nonparametric模型

http://people.csail.mit.edu/tbroderick/index.html

变分贝叶斯:可扩展贝叶斯推理的基础

贝叶斯方法为现代数据分析提供了许多可取的特性，包括 (1)不确定性的一致性量化，(2)能够捕捉复杂现象的模块化建模框架，(3) 整合来自专家的先验信息的能力，以及(4)可解释性。然而，在实践中，贝叶斯推断需要对高维积分进行近似，而一些传统的算法为此目的可能会很慢——尤其是在当前感兴趣的数据规模上。本教程将介绍快速、近似贝叶斯推理的现代工具。“变分贝叶斯”(VB)提供了一个越来越流行的框架，它将贝叶斯推理作为一个优化问题提出。我们将研究在实践中使用VB的主要优点和缺点，重点关注广泛使用的“平均场变分贝叶斯”(MFVB)子类型。我们将注重能够让任何人使用VB，从数据分析师到理论家，都应该知道的属性。除了VB，我们还将简要介绍可扩展贝叶斯推理的最新数据汇总技术，这些技术在质量上有有限数据理论保证。我们将通过实际的数据分析实例来激发我们的探索，并指出该领域的一些开放问题。