Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Komplex valószínűségi modellek, következtetésre, tanulásra, adatfúzióra

    A tantárgy angol neve: Complex Probabilistic Models for Inference, Learning and Data Fusion

    Adatlap utolsó módosítása: 2017. október 13.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Szabadon választható tantárgy
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIAV20   4/0/0/v 4  
    3. A tantárgyfelelős személy és tanszék Dr. Bolgár Bence Márton, Méréstechnika és Információs Rendszerek Tanszék
    4. A tantárgy előadója

    Dr. Antal Péter egyetemi docens, Méréstechnika és Információs Rendszerek Tanszék

    5. A tantárgy az alábbi témakörök ismeretére épít Valószínűségszámítás
    7. A tantárgy célkitűzése

    Az új megfigyeléseknek és kísérleti adatoknak a kombinálása a korábban származtatott ismeretekkel egy alapvető kérdése a statisztikai, gépi tanulási és mesterséges intelligencia kutatásoknak. A Bayes-statisztikai és bayesi döntéselméleti keret egy univerzális, konzisztens keretet kínál az ismeretek reprezentálására és új adatokkal való kombinálására, amely napjainkra komplex, rendszerszemléletű valószínűségi modellosztályok sokaságával egészült ki. A bayesi megközelítés így általános keretbe fogja a modern gépi tanulási eszköztár legnagyobb részét, ideértve a komplex valószínűségi modelleket, oksági modelleket, mély tanulási modelleket és mátrixfaktorizációs eljárásokat is.

    A tárgy fő célja a valószínűségi megközelítésnek ezen gyakorlati, adatmérnöki és tudásmérnöki alkalmazásának a bemutatása, elsősorban a mesterséges intelligencia és a gépi tanulás iránt érdeklődő hallgatók számára. A tárgy szisztematikusan bemutatja a hierarchikus és strukturált komplex valószínűségi modellek osztályait és felhasználásukat, mind következtésben, tanulásban és heterogén tudás és adatok fúziójában. A tárgy a komplex, valószínűségi modellek bemutatása, alkalmazásorientált jellemzése mellett nagy hangsúlyt helyez az általuk kínált rendszerszemléletű dekomponálás lehetőségeinek a megismertetésére, annak készség szinten történő fejlesztésére. A bemutatott modellosztályok természetes módon kapcsolódnak a bayesi megközelítéshez és így különösen alkalmasak nagy léptékű, heterogén adat- és tudásfúzióra. A mérnöki területeken bemutatott alkalmazások ajánlórendszerekkel, visszaélés detekcióval, szenzorhálózatokkal, egészségügyi és gyógyszerkutatásokkal, illetve szövegbányászati elemzésekkel kapcsolatosak.

    8. A tantárgy részletes tematikája

    1.      Statisztikai paradigmák, a Bayes-statisztikai paradigma. Alapfogalmak bemutatása. Emberi hibák és heurisztikák valószínűségi becslésekben és döntésekben. Valószínűségi reprezentációk és következtetések a neurobiológiában és a kognitív pszichológiában.

    2.      Bayesi következtetés analitikus megoldással. A konjugáltság és az exponenciális eloszlások.

    3.      Bayesi becslés- és döntéselmélet. Optimális döntés fogalma, Bayes-faktor, Bayes-döntés,  Bayes-hiba, Bayes-tanulás, bayesi modell átlagolás.

    4.      Sztochasztikus szimulációs eljárások. Gyakori eloszlások generálása. Mintavételi módszerek.

    5.      Markov láncokon alapuló sztochasztikus szimulációs eljárások (Markov Chain Monte Carlo módszerek): Gibbs, Metropolis és hibrid MCMC.

    6.      Bayesi következtetés közelítő módszerekkel. Az EM algoritmus család és alkalmazása.

    7.      A variációs bayesi megközelítés.

    8.      Valószínűségi gráfos modellek. Markov-(véletlen)-mezők. Rejtett Markov Modellek. Bayes-hálók. Dinamikus Bayes-hálók.

    9.      Faktor-gráfok. Összeg-szorzat (sum-product) hálózatok.

    10.  Bayesi mátrix faktorizáció.

    11.  Bayesi neurális hálózatok és bayesi mély struktúrák.

    12.  Oksági diagrammok.

    13.  Valószínűségi relációs modellek. Valószínűségi logikák.

    14.  Nem teljes adatok felhasználása. A „véletlen hiányzás" definíciói, a szelekciós elfogultság, a negatív minták hiányzásának kezelése, hiányzási modellek.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    A tárgy elméleti része előadás formájában kerül leadásra. Önálló munkára a házi feladat által kerül sor.

    10. Követelmények
    • Szorgalmi időszakban: Házi feladat sikeres elkészítése és leadása a félév végéig.
    • Vizsgaidőszakban: Szóbeli vizsga. A vizsgára bocsátás feltétele az elfogadott házi feladat.
    • Osztályozás: A vizsga osztályzata a szóbeli vizsgán megszerzett jegy.
    11. Pótlási lehetőségek

    A házi feladat bemutatása a pótlási héten még lehetséges.

    12. Konzultációs lehetőségek

    Igény esetén, megbeszélés alapján.

    13. Jegyzet, tankönyv, felhasználható irodalom

    Pearl, Judea. Probabilistic reasoning in intelligent systems: networks of plausible inference. Morgan Kaufmann, 2014.

    Bernardo, José M., and Adrian FM Smith. "Bayesian theory." (2001): 221.

    Gelman, Andrew, et al. Bayesian data analysis. Vol. 2. Boca Raton, FL, USA: Chapman & Hall/CRC, 2014.

    Koller, Daphne, and Nir Friedman. Probabilistic graphical models: principles and techniques. MIT press, 2009.

    Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT press, 2012.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés előadásra12
    Házi feladat elkészítése20
    Vizsgafelkészülés32
    Összesen120
    15. A tantárgy tematikáját kidolgozta Dr. Antal Péter egyetemi docens, Méréstechnika és Információs Rendszerek Tanszék
    Egyéb megjegyzések

    A tárgy alapvető célja a mesterséges intelligencia és gépi tanulás bayesi kiterjesztéseinek BSc szintű bemutatása, áttekintése.

    A tantárgy angol neve: Complex probabilistic models for inference, learning and data fusion