Belépés címtáras azonosítással
magyar nyelvű adatlap
Komplex valószínűségi modellek, következtetésre, tanulásra, adatfúzióra
A tantárgy angol neve: Complex Probabilistic Models for Inference, Learning and Data Fusion
Adatlap utolsó módosítása: 2017. október 13.
Tantárgy lejárati dátuma: 2020. november 17.
Dr. Antal Péter egyetemi docens, Méréstechnika és Információs Rendszerek Tanszék
Az új megfigyeléseknek és kísérleti adatoknak a kombinálása a korábban származtatott ismeretekkel egy alapvető kérdése a statisztikai, gépi tanulási és mesterséges intelligencia kutatásoknak. A Bayes-statisztikai és bayesi döntéselméleti keret egy univerzális, konzisztens keretet kínál az ismeretek reprezentálására és új adatokkal való kombinálására, amely napjainkra komplex, rendszerszemléletű valószínűségi modellosztályok sokaságával egészült ki. A bayesi megközelítés így általános keretbe fogja a modern gépi tanulási eszköztár legnagyobb részét, ideértve a komplex valószínűségi modelleket, oksági modelleket, mély tanulási modelleket és mátrixfaktorizációs eljárásokat is.
A tárgy fő célja a valószínűségi megközelítésnek ezen gyakorlati, adatmérnöki és tudásmérnöki alkalmazásának a bemutatása, elsősorban a mesterséges intelligencia és a gépi tanulás iránt érdeklődő hallgatók számára. A tárgy szisztematikusan bemutatja a hierarchikus és strukturált komplex valószínűségi modellek osztályait és felhasználásukat, mind következtésben, tanulásban és heterogén tudás és adatok fúziójában. A tárgy a komplex, valószínűségi modellek bemutatása, alkalmazásorientált jellemzése mellett nagy hangsúlyt helyez az általuk kínált rendszerszemléletű dekomponálás lehetőségeinek a megismertetésére, annak készség szinten történő fejlesztésére. A bemutatott modellosztályok természetes módon kapcsolódnak a bayesi megközelítéshez és így különösen alkalmasak nagy léptékű, heterogén adat- és tudásfúzióra. A mérnöki területeken bemutatott alkalmazások ajánlórendszerekkel, visszaélés detekcióval, szenzorhálózatokkal, egészségügyi és gyógyszerkutatásokkal, illetve szövegbányászati elemzésekkel kapcsolatosak.
1. Statisztikai paradigmák, a Bayes-statisztikai paradigma. Alapfogalmak bemutatása. Emberi hibák és heurisztikák valószínűségi becslésekben és döntésekben. Valószínűségi reprezentációk és következtetések a neurobiológiában és a kognitív pszichológiában.
2. Bayesi következtetés analitikus megoldással. A konjugáltság és az exponenciális eloszlások.
3. Bayesi becslés- és döntéselmélet. Optimális döntés fogalma, Bayes-faktor, Bayes-döntés, Bayes-hiba, Bayes-tanulás, bayesi modell átlagolás.
4. Sztochasztikus szimulációs eljárások. Gyakori eloszlások generálása. Mintavételi módszerek.
5. Markov láncokon alapuló sztochasztikus szimulációs eljárások (Markov Chain Monte Carlo módszerek): Gibbs, Metropolis és hibrid MCMC.
6. Bayesi következtetés közelítő módszerekkel. Az EM algoritmus család és alkalmazása.
7. A variációs bayesi megközelítés.
8. Valószínűségi gráfos modellek. Markov-(véletlen)-mezők. Rejtett Markov Modellek. Bayes-hálók. Dinamikus Bayes-hálók.
9. Faktor-gráfok. Összeg-szorzat (sum-product) hálózatok.
10. Bayesi mátrix faktorizáció.
11. Bayesi neurális hálózatok és bayesi mély struktúrák.
12. Oksági diagrammok.
13. Valószínűségi relációs modellek. Valószínűségi logikák.
14. Nem teljes adatok felhasználása. A „véletlen hiányzás" definíciói, a szelekciós elfogultság, a negatív minták hiányzásának kezelése, hiányzási modellek.
A tárgy elméleti része előadás formájában kerül leadásra. Önálló munkára a házi feladat által kerül sor.
A házi feladat bemutatása a pótlási héten még lehetséges.
Igény esetén, megbeszélés alapján.
Pearl, Judea. Probabilistic reasoning in intelligent systems: networks of plausible inference. Morgan Kaufmann, 2014.
Bernardo, José M., and Adrian FM Smith. "Bayesian theory." (2001): 221.
Gelman, Andrew, et al. Bayesian data analysis. Vol. 2. Boca Raton, FL, USA: Chapman & Hall/CRC, 2014.
Koller, Daphne, and Nir Friedman. Probabilistic graphical models: principles and techniques. MIT press, 2009.
Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT press, 2012.
A tárgy alapvető célja a mesterséges intelligencia és gépi tanulás bayesi kiterjesztéseinek BSc szintű bemutatása, áttekintése.
A tantárgy angol neve: Complex probabilistic models for inference, learning and data fusion