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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Valószínűségi következtető és döntéstámogató rendszerek

    A tantárgy angol neve: Probabilistic Inference and Decision Support Systems

    Adatlap utolsó módosítása: 2018. február 22.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Mérnökinformatikus szak
    Intelligens rendszerek mellékspecializáció
    MSc képzés
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIMA06 2 2/1/0/f 4  
    3. A tantárgyfelelős személy és tanszék Dr. Antal Péter, Méréstechnika és Információs Rendszerek Tanszék
    4. A tantárgy előadója Dr. Antal Péter, Méréstechnika és Információs Rendszerek Tanszék
    5. A tantárgy az alábbi témakörök ismeretére épít

    Valószínűségszámítás. Mesterséges intelligencia alapjai. Számításelmélet alapjai.

    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyEredmény( "BMEVIMIM221" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIMIM221", "FELVETEL", AktualisFelev()) > 0)

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

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    7. A tantárgy célkitűzése A valószínűségi következtető és döntéstámogató rendszerek tárgy a bizonytalan tudás, megfigyelések és beavatkozások koherens fúziójára alkalmas elméleti alapokat, számítási megközelítéseket, mérnöki megoldásokat, valós alkalmazásait és alkalmazásának lehetőségeit mutatja be. Elsőként áttekintjük a bizonytalanság kezelésére született elméletek és gyakorlati módszerek széles skáláját, majd ismertetjük a valószínűségszámítás és a bayesi döntéselmélet axiomatikus származtatását. Bemutatjuk, hogy a bayesi döntéselmélet, mint normatív keretrendszer, egy általános, közös alapot biztosít a statisztika, mesterséges intelligencia és a gépi tanulás számára, illetve, hogy a számítási kapacitás növekedésével egyre inkább jelen van mindennapjaink komplex, intelligens rendszereiben. Ezt követően a valószínűségi szakértői rendszerek tervezéséhez, létrehozásához és fenntartásához szükséges ismereteket tekintjük át. Ismertetjük az emberi gondolkodás bizonytalansággal kapcsolatos heurisztikáit és áttekintjük az emberi becslésben, döntéshozatalban fellépő lehetséges torzításokat. Áttekintjük a következtetési eljárásokat, beleértve többféle Monte Carlo módszert is. Végül bemutatjuk a döntéstámogatás alapvető fogalmait és eszközeit, illetve a döntési hálók és a költség-haszon elemzés alapelemeit.
    8. A tantárgy részletes tematikája

    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.-4.     Becslés és döntéselmélet

    Elmélet:

    (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.

    Gyakorlat:

    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

    Elmélet:

    (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.

    Gyakorlat:

    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

    Elmélet:

    (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.

    Gyakorlat:

    Bemutatjuk a valószínűségi gráfos modellek és oksági modellek kapcsolatát, különös tekintettel a beavatkozásokkal történő következtetések kezelésére.

    9.-10.   Tudásmérnökség

    Elmélet:

    (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.

    Gyakorlat:

    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

    Elmélet:

    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.

    Gyakorlat:

    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

    Elmélet:

    (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.

    Gyakorlat:

    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.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) A tárgy elméleti részét előadásokon tárgyaljuk. A gyakorlatokon az elméletet alkalmazó feladatokat kell megoldani.
    10. Követelmények

    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.

    11. Pótlási lehetőségek A kisfeladatok nem pótolhatók. A nagy házifeladat és a zárthelyi a pótlási héten pótolható.
    12. Konzultációs lehetőségek Igény esetén – előzetesen egyeztetett időpontban – konzultációs lehetőséget biztosítunk.
    13. Jegyzet, tankönyv, felhasználható irodalom

    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

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontaktóra 42
    Készülés előadásra7
    Készülés gyakorlatra
    7
    Zárthelyi dolgozat
    12
    Kis házi feladat
    14
    Nagy házi feladat
     38
    Összesen120
    15. A tantárgy tematikáját kidolgozta

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Antal Péter

    egyetemi docens

    MIT

    Dr. Antos András

    kutató

    MIT

    Hajós Gergely

    kutató

    MIT

    Hullám Gábor

    kutató

    MIT

    Millinghoffer András

    kutató

    MIT