Dr. Antal Péter egyetemi adjunktus

Dr. Pataki Béla egyetemi docens

Mesterséges intelligencia

Valószínűségszámítás

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/

Dr. Antal Péter egyetemi adjunktus