Probabilistic graphical models - NAIL104

• Title: Pravděpodobnostní grafické modely
• Guaranteed by: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2012
• Semester: winter
• E-Credits: 3
• Hours per week, examination: winter s.:2/0, Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Teaching methods: full-time
• Guarantor: Mgr. Marta Vomlelová, Ph.D.
• Class: Informatika Mgr. - Teoretická informatika
• Classification: Informatics > Theoretical Computer Science

Annotation

English

Last update: T_KTI (03.05.2012)

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.

Czech

Last update: RNDr. Jan Hric (12.05.2022)

Cílem kurzu je hlouběji seznámit studenty s pravděpodobnostními modely, předpokládá se znalost NAIL070 Umělé inteligence 2. Od bayesovských sítí a jejich rozšíření (DBN, OOBN) přejdeme přes rozhodovací grafy k částečně pozorovaným markovským rozhodovacím procesům (POMDP) a podmíněným náhodným polím. Kromě tvorby modelů a metod jejich výpočtu se dotkneme i aplikací.

Aim of the course

Last update: T_KTI (04.05.2012)

Cílem předmětu je seznámit studenty s pravděpodobnostními grafickými modely, algoritmy jejich vyhodnocení a možnými aplikacemi.

Literature

English

Last update: Mgr. Marta Vomlelová, Ph.D. (20.04.2016)

• 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

Czech

Last update: Mgr. Marta Vomlelová, Ph.D. (20.04.2016)

• 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)

Syllabus

English

Last update: Mgr. Marta Vomlelová, Ph.D. (12.05.2022)

1) A brief refresh of the Artificial Intelligence 2 course: Causal and Bayesian networks, decision

graphs,

2) advanced evaluation methods: d-separation, junction tree, message passing scheme,

3) dynamic Bayesian networks DBNs, object oriented Bayesian networks OOBNs,

4) POMDP - partially observable Markov decision problems,

5) Markov fields, conditional random fields,

6) learning Bayesian networks,

7) example applications.

Implementation of graphical models in R.

Czech

Last update: Mgr. Marta Vomlelová, Ph.D. (12.05.2022)

1) Osvěžení znalostí z UI2: Kauzální a bayesovské sítě, rozhodovací grafy,

2) pokročilejší metody vyhodnocení: d-separace, strom spojení, posílání zpráv,

3) dynamické bayesovské sítě (DBN), objektově orientované bayesovské sítě (OOBN),

4) částečně pozorovatelné markovské procesy (POMDP),

5) markovská pole, podmíněná markovská pole,

6) učení bayesovských sítí,

7) příklady aplikací

Dle zájmu studentů bude věnována mírná či intenzivní pozornost tvorbě pravděpodobnostích modelů v R.