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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Valószínüségi következtető és döntéstámogató rendszerek

    A tantárgy angol neve: Probabilistic Inference and Decision Support Systems

    Adatlap utolsó módosítása: 2009. október 30.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Mérnök informatikus

    Intelligens rendszerek szakirány

    MSc 

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIM221 2 2/1/0/v 4  
    3. A tantárgyfelelős személy és tanszék Dr. Antal Péter, Méréstechnika és Információs Rendszerek Tanszék
    4. A tantárgy előadója

    Dr. Antal Péter egyetemi adjunktus

    Dr. Pataki Béla egyetemi docens

    5. A tantárgy az alábbi témakörök ismeretére épít

    Mesterséges intelligencia

    Valószínűségszámítás

     

    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyEredmény( "BMEVIMIMA06" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIMIMA06", "FELVETEL", AktualisFelev()) > 0)

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    Ajánlott:

    Mesterséges intelligencia

     

    7. A tantárgy célkitűzése

    A valószínűségi következtető és döntéstámogató rendszerek területe a bizonytalan tudásra alapozott optimális döntések meghozatalának kutatásával, illetve az eredmények alkalmazásával foglalkozik. Ez a terület hagyományosan a statisztikára és a döntéselméletre alapozott, de napjainkban egyre inkább összekapcsolódik a számításelméleti és a mesterséges intelligencia kutatásokkal.

    A tárgy célul tűzi ki, hogy összefoglalja és egységes keretben tárgyalja a döntéselmélet és a mesterséges intelligencia legkorszerűbb eszköztárát, megközelítési módszereit. A tárgy a tudásmérnökség, a gépi tanulás és a következtetés ezen területhez tartozó általános eredményeit tekinti át.

    8. A tantárgy részletes tematikája

    ·         Bevezetés (2 óra elmélet/előadás):

    A bizonytalan tudás, a bizonytalanságkezelés lehetőségei. A döntések optimalitása. A döntéshez szükséges információk kinyerése.

    ·         A döntéstámogatás technológiai  folyamata (2 óra elmélet/előadás):

    A döntéstámogatás folyamata. A döntéstámogató rendszerek architektúrája. A felhasznált technológiák áttekintése.

    ·         Alapvető döntési eljárások (4 óra elmélet/előadás):

    Döntéselméleti áttekintés. Bayes döntés, maximum likelihood döntés. Döntési fák. Random forest eljárások.

    ·         Hasznosságelméleti áttekintés (4 óra elmélet/előadás):

    Megkötések a racionális preferenciákra. Hasznosságfüggvények. Hasznosságskálák és a hasznosság becslése. Többváltozós hasznosságfüggvények. A preferenciák rendszere és a többattribútumos hasznosság.

    ·         Bayes-statisztikai módszerek. (4 óra elmélet/előadás):

    A valószínűség bayesi értelmezése. A bayesi modell. Következtetés. Monte Carlo módszerek. Bayes-statisztikai megközelítés előnyei.

    ·         Bayes-hálók.  (6 óra elmélet/előadás):

    A valószínűségi definíció: szintaxis és szemantika. Kauzális definíció. Bayes-hálók és a tudásmernökség. Következtetés Bayes-hálókban. Bayes-hálók tanulása. Modelltanulás. Bayes-hálók tanulása hiányos adatok alapján. Jegytanulás

    ·         Temporális valószínűségi következtető rendszerek. (6 óra elmélet/előadás):

    Stacionárius folyamatok és a Markov-feltétel. Következtetés időbeli modellekben.  Szűrés, előrejelzés, simítás. Gauss-eloszlások frissítése. A Kálmán-szűrés alkalmazhatósága. Dinamikus Bayes-hálók, Gauss folyamatok. Egzakt következtetés dinamikus Bayes-hálókban. Komplex rendszerek hierarchikus és moduláris dekomponálása.

    ·         A neurális hálók és a bayesi megközelítés kapcsolata. (4 óra elmélet/előadás):

    Prediktív következtetés, hibrid MCMC módszerek. Modell-átlagolás. Strukturális és parametrikus következtetés. Automatikus relevancia meghatározás (ARD).

    ·         A döntéstámogató rendszerek kialakítására támogató eszközök (2 óra elmélet/előadás)

    Az adatokkal foglakozó eszközök, komponensek, a kialakított modellek, a felhasználói felületek.

    ·         Alkalmazási területek bemutatása (2 óra elmélet/előadás)

    A megismert elvek és szközök bemutatása egy orvosbiológiai területről vett feladaton.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) A tantárgy oktatása tantermi előadás formában történik. A gyakorlati alkalmazás a tantermi keretekben eljárások és példák bemutatásával, illetve a házi feladat megoldása, a - külön tárgy keretében - kapcsolódó laborgyakorlatok elvégzése során valósul meg.
    10. Követelmények

    a. A szorgalmi időszakban:

    · félév közben (kb. 11-12. héten) egy nagy ZH (max. pontszám 50), , a szükséges minimum szint a pontok 40%-a.

    b. A vizsgaidőszakban: írásbeli vizsga. A vizsgára bocsátás feltétele az évközi ZH  minimális (minimum 40%) szintű teljesítése.

    c. Osztályozás:

    A vizsga osztályzata a zh- és a vizsgaeredmény alapján kerül megállapításra.
    11. Pótlási lehetőségek

     

    A zárthelyi a szorgalmi időszak során (nem az órarendi időpontban),  illetve a pótlási héten egy-egy alkalommal pótolható. Sikeresen megírt zárthelyit javító jelleggel csak a szorgalmi időszakbeli pótláson lehet ismételten megírni. Javítás esetén a javító pótzárthelyi írás megkezdésekor az eredeti eredmény törlődik, mindenképpen a javító pótzh eredményét vesszük figyelembe (akár jobb, akár rosszabb az eredeti eredménynél).

     

     

     

    12. Konzultációs lehetőségek Igény esetén, megbeszélés alapján.
    13. Jegyzet, tankönyv, felhasználható irodalom

    D. J. Hand: Intelligent Data Analysis

    T.Hastie, R.Tibshirani, J.Friedman: The Elements of Statistical Learning

    R. G. Cowel: Probabilistic Networks and Expert Systems

    C.M. Bishop: Neural Networks for Pattern Recognition

    R.M.Neal: Bayesian Learning for Neural Networks

    J. M. Bernardo, A. F. M. Smith: Bayesian Theory

    Andrew Gelman: Bayesian Data Analysis

    Bayesian inference Using Gibbs Sampling: http://www.mrc-bsu.cam.ac.uk/bugs/

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra 42
    Félévközi készülés órákra 6
    Felkészülés zárthelyire 16
    Kijelölt írásos tananyag elsajátítása  8
    Vizsgafelkészülés 48
    Összesen 120
    15. A tantárgy tematikáját kidolgozta

    Dr. Antal Péter egyetemi adjunktus

    Dr. Pataki Béla egyetemi docens