The course extends the basics of probabilistic graphical models introduced in the NAIL070
Artificial Intelligence 2 course: Bayesian networks and their extensions (DBN, OOBN), decision
graphs, partially observable markov decision processes (POMDP) and conditional random fields.
We focus on the modelling languages and their evaluation methods. We touch also some
applications.
Last update: T_KTI (03.05.2012)
Cílem kurzu je hlouběji seznámit studenty s pravděpodobnostními modely, předpokládá se znalost NAIL070
Umělé inteligence 2. Od bayesovských sítí a jejich rozšíření přejdeme přes rozhodovací grafy k částečně
pozorovaným markovským rozhodovacím procesům (POMDP). Kromě tvorby modelů a metod jejich výpočtu se
dotkneme i aplikací.
Last update: Hric Jan, RNDr. (12.05.2022)
Aim of the course -
The course gives an introduction to probabilistic graphical models. The students will learn the following formal models, evaluation and model learning algorithm, application areas.
Last update: Vomlelová Marta, Mgr., Ph.D. (14.05.2021)
Cílem předmětu je seznámit studenty s pravděpodobnostními grafickými modely, algoritmy jejich vyhodnocení a možnými aplikacemi.
Last update: T_KTI (04.05.2012)
Course completion requirements -
The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.
Last update: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)
Pro úspěšné absolvování je třeba složit ústní zkoušku z témat obsažených v sylabu v rozsahu předneseném na přednášce.
Část zkoušek může konat distanční formou.
Last update: Vomlelová Marta, Mgr., Ph.D. (28.09.2020)
Literature -
Sucar, Luis Enrique: Probabilistic graphical models: principles and applications, Springer, 2021
S. Hojsgaard, D. Edwards, S. Lauritzen: Graphical Models with R, Springer 2012
Finn V. Jensen, Thomas D. Nielsen: Bayesian Networks and Decision Graphs, Springer 2007
Leslie Pack Kaelbling, Michael L. Littman, and Anthony R. Cassandra. Planning and acting in partially observable stochastic domains. Artificial Intelligence, Volume 101, pp. 99-134, 1998
John Lafferty, Andrew McCallum, Rernando Pereira: Conditional random fields: Probabilistic models for segmenting and labeling sequence data, Morgan Kaufmann 2001, pp. 282-289
Last update: Vomlelová Marta, Mgr., Ph.D. (25.09.2024)
Sucar, Luis Enrique: Probabilistic graphical models: principles and applications, Springer, 2021
S. Hojsgaard, D. Edwards, S. Lauritzen: Graphical Models with R, Springer 2012
Finn V. Jensen, Thomas D. Nielsen: Bayesian Networks and Decision Graphs, Springer 2007
Leslie Pack Kaelbling, Michael L. Littman, and Anthony R. Cassandra. Planning and acting in partially observable stochastic domains. Artificial Intelligence, Volume 101, pp. 99-134, 1998
John Lafferty, Andrew McCallum, Rernando Pereira: Conditional random fields: Probabilistic models for segmenting and labeling sequence data, Morgan Kaufmann 2001, pp. 282-289 (dosažitelné po internetu)
Last update: Vomlelová Marta, Mgr., Ph.D. (25.09.2024)
Requirements to the exam -
The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.
Last update: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)
Zkouška je ústní v rozsahu přednesené látky.
Last update: Vomlelová Marta, Mgr., Ph.D. (09.10.2017)
Syllabus -
1) A brief refresh of the Artificial Intelligence 2 course, Causal and Bayesian networks,