Belépés címtáras azonosítással
magyar nyelvű adatlap
Valószínüségi következtető és döntéstámogató rendszerek
A tantárgy angol neve: Probabilistic Inference and Decision Support Systems
Adatlap utolsó módosítása: 2009. október 30.
Mérnök informatikus
Intelligens rendszerek szakirány
MSc
Dr. Antal Péter egyetemi adjunktus
Dr. Pataki Béla egyetemi docens
Mesterséges intelligencia
Valószínűségszámítás
A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.
A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.
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.
· 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.
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 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).
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/