Belépés címtáras azonosítással
magyar nyelvű adatlap
Valószínűségi következtető és döntéstámogató rendszerek
A tantárgy angol neve: Probabilistic Inference and Decision Support Systems
Adatlap utolsó módosítása: 2018. február 22.
Valószínűségszámítás. Mesterséges intelligencia alapjai. Számításelmélet alapjai.
A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.
A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.
1.-2. Bevezetés és alkalmazások
Elmélet:
(1) A bizonytalan tudás, megfigyelés és beavatkozás megjelenése az emberi döntéshozatalban, szakértői rendszerekben és döntéstámogató rendszerekben. A bizonytalanság okai, értelmezései és a kezelésükre kifejlesztett elméletek, gyakorlati megközelítések. (2) A valószínűség fogalmának és értelmezésének történeti fejlődése. A valószínűség modern értelmezései és axiomatikus származtatásai. A valószínűségszámítás és hasznosságelmélet áttekintése és a bayesi döntéselmélet származtatása. A bayesi döntéselmélet jelentős történeti és modern kori alkalmazásai, különös tekintettel a mindennapokban jelenlévő komplex intelligens rendszerekre.
Gyakorlat:
Az emberi becsléseknek és döntéseknek a torzításai, korlátai, paradoxonjai.
(3) Bevezetjük a döntés- és becsléselmélet alapfogalmait és a leggyakoribb költségfüggvényeket. Megvizsgáljuk a Bayes-döntést, maximum a posteriori és maximum likelihood döntést és a Bayes-döntés közelítését több példán keresztül. (4) Kitérünk a Bayes-becslésre, maximum likelihood becslésre és regressziós becslésre részletesen megvizsgálva analitikusan is kezelhető eseteket.
Bayes-következtetés mintavételi technikákkal való közelítésének vizsgálata analitikai megoldással is rendelkező modellek felhasználásával, szisztematikusan vizsgálva a modellkomplexitás és mintaméret viszonyát.
5.-6. Valószínűségi gráf alapú modellek, valószínűségi következtetések
(5) Megvizsgáljuk a valószínűségi eloszlások strukturális jellemzőit, ami a strukturális jellemzők explicit reprezentálásán át elvezet a valószínűségi gráfos modellek használatához. A valószínűségi gráfos modellosztályon belül elsőként az egyszerű Naív Bayes-háló, Markov-lánc és rejtett Markov modell modelltípusokat foglaljuk össze. (4) Majd a Bayes-hálók és a Markov-hálók általános definícióit adjuk meg és tekintjük át. Megvizsgáljuk a reprezentációk pontosságát, kiterjesztéseiket és azok tudásmérnöki vonatkozásait.
A gyakorlatokon rendre megvizsgáljuk a Naív Bayes-háló, Markov-lánc, rejtett Markov modell, Markov-háló és Bayes-háló modellosztályokat, speciális modellépítés, következtetés és finomítás szemszögéből.
7.-8. Oksági modellek, döntések következményei, oksági következtetések
(7) Összefoglaljuk a passzív megfigyelésekből származtatható függetlenségi modellek és a Bayes-hálók kapcsolatát, illetve bemutatunk több elméleti korlátot a passzív megfigyelésekből elérhető oksági következtetések vonatkozásában. (8) Ismertetjük a Bayes-hálók oksági kiterjesztéseit, amelyek alkalmasak beavatkozási és kontrafaktuális következtetések megválaszolására is, tehát alkalmas például egy konkrét esethez tartozó, ám hipotetikus feltételes valószínűségeknek a definiálására.
Bemutatjuk a valószínűségi gráfos modellek és oksági modellek kapcsolatát, különös tekintettel a beavatkozásokkal történő következtetések kezelésére.
9.-10. Tudásmérnökség
(9) A valószínűségi ítéletalkotás alapvető kérdése, hogy döntési szituációkban milyen módon hasznosítható a rendelkezésre álló bizonytalan információ. Kutatások igazolták, hogy az emberi valószínűségi ítéletalkotás eltér a valószínűségszámítás szabályai által definiált normatív megközelítéstől. Egyrészt ismertetjük azokat a feltételezett, az emberi gondolkodás részét képző heurisztikákat, amelyek ezeket az eltéréseket okozzák, másrészt áttekintjük a heurisztikák révén az emberi becslésben, döntéshozatalban fellépő lehetséges torzításokat. (10) Ezt követően ismertetjük a valószínűségi szakértői rendszerekhez kapcsolódó tudásmérnökség munkafolyamatát és egyes fázisait.
Megvizsgáljuk a szakértői becslések tipikus hibáit, következményeit és lehetséges korrekcióit, különös tekintettel szakértői rendszerek létrehozásának és használatának folyamatában.
11.-12. Egzakt és Monte Carlo következtetések
Áttekintjük a következtetési eljárások két fő csoportját, az egzakt és sztochasztikus módszereket. (11) Az egzakt eljárások könnyebben kezelhető hálóstruktúrák (pl. fa gráfok és/vagy kis változószám) esetén alkalmazhatók. A sztochasztikus szimuláción alapuló eljárások minden esetben alkalmazhatók, és implementációs szempontból is egyszerűbbek, viszont jellegükből adódóan csak közelítő eredményeket szolgáltatnak. (12) Az alapvető mintavételi technikákon túl összefoglaljuk a Markov-láncos Monte Carlo módszerek alapjait és gyakorlati felhasználásukra vonatkozó szempontokat.
Szisztematikusan megvizsgáljuk különböző egzakt és Monte Carlo alapú következtetési módszerek tulajdonságait, különös tekintettel a párhuzamos futtatást lehetővé tevő hardver infrastruktúrákra.
13.-14. Komplex döntéstámogatás és orvosi döntéstámogatás
(13) Bemutatjuk, hogy a bayesi döntéselmélet, mint normatív keretrendszer, egy általános, közös alapot biztosít a statisztika, mesterséges intelligencia, gépi tanulás számára és vázoljuk, hogy milyen, mindennapjainkban jelen lévő, komplex, intelligens rendszerekben várható a megjelenése. Áttekintjük továbbá a komplex döntéstámogatás és a játékelmélet, illetve a kísérlettervezés legfontosabb kapcsolódási pontjait. (14) Összefoglaljuk az orvosi döntéstámogatás legfontosabb kihívásait, kiemelve a valós, egészségügyi felhasználás követelményeit és elvárásait. Ismertetjük az orvosi területen használt hasznosság és veszteség függvényeket, majd áttekintjük a döntéstámogató rendszerek felhasználását a prevenció, terápiaválasztás, otthoni gondozás és protokollok, protokollváltozások fázisaiban, különös tekintettel a személyre szabott medicina kínálta lehetőségekre.
Megvizsgáljuk a további információ hasznosságára vonatkozó következtetéseket, azok közelítésében felhasználható heurisztikákat, különös tekintettel az orvosbiológiai területen történő kísérlettervezésre. Szisztematikusan kiértékeljük valós orvosi döntéstámogató modellek paramétereikre és strukturális tulajdonságaikra való érzékenységét.
a. Szorgalmi időszakban: Az előadáshoz kapcsolódóan kéthetente kisfeladatot kell megoldani és határidőre benyújtani. A félév során egy nagy házifeladatot adunk ki, amelyet a félév végéig kell benyújtani. A félév során egy zárthelyi dolgozatot kell megírni. A félévközi jegy megszerzésének a feltétele a hét kisfeladatból legalább négynek és a nagy házi feladatnak határidőre, elfogadható szinten (megszerezhető pontok 40%-ának elérése) történő beadása és a zárthelyi elfogadható szinten történő teljesítése.
b. Vizsgaidőszakban: nincs
c. Osztályozás: A félévvégi jegy a félévközi kisfeladatok (40%), a nagy házi feladat (20%) és a zárthelyi eredmény (40%) alapján kerül megállapításra.
Jegyzet: Antal P., Antos A., Hajós G., Hullám G., Millinghoffer A.: Valószínűségi döntéstámogató rendszerek, Typotex, 2014
Russel, S. J. – Norvig, P.: „Mesterséges intelligencia modern megközelítésben” Panem kiadó, Budapest, 2005, http://mialmanach.mit.bme.hu/aima/index
J. Pearl: „Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Interference”, Morgan Kaufman Publishers Inc., San Francisco, 1988
Cowell, R.G. – Dawid, A.P. – Lauritzen, S.L. – Spiegelhalter, D.J.: „Probabilistic Expert Systems”, Springer-Verlag New York Inc., 1999
Friedman, N. – Koller, D.: Probabilistic Graphical Models, The MIT Press, 2009
Englander Tibor: Viaskodás a bizonytalannal, Akadémiai Kiadó, 1999
egyéb – a tárgy előadása során feldolgozásra kerülő - szakcikkek
Név:
Beosztás:
Tanszék, Int.:
Dr. Antal Péter
egyetemi docens
MIT
Dr. Antos András
kutató
Hajós Gergely
Hullám Gábor
Millinghoffer András
