PředmětyPředměty(verze: 901)
Předmět, akademický rok 2021/2022
  
Pravděpodobnostní grafické modely - NAIL104
Anglický název: Probabilistic graphical models
Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2012
Semestr: zimní
E-Kredity: 3
Rozsah, examinace: zimní s.:2/0 Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Garant: Mgr. Marta Vomlelová, Ph.D.
Třída: Informatika Mgr. - Teoretická informatika
Kategorizace předmětu: Informatika > Teoretická informatika
Anotace -
Poslední úprava: 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.
Cíl předmětu -
Poslední úprava: T_KTI (04.05.2012)

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

Podmínky zakončení předmětu -
Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (28.09.2020)

Pro úspěšné absolvování je třeba složit ústní zkoušku z témat obsažených v sylabu v rozsahu předneseném na přednášce.

Část zkoušek může konat distanční formou.

Literatura -
Poslední úprava: 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)

Požadavky ke zkoušce -
Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (09.10.2017)

Zkouška je ústní v rozsahu přednesené látky.

Sylabus -
Poslední úprava: 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),

4) učení bayesovských sítí,

5) částečně pozorovatelné markovské procesy (POMDP),

6) Variační přibližná inference (variational approximate inference)

7) příklady aplikací

Dle zájmu studentů bude věnována mírná či intenzivní pozornost tvorbě pravděpodobnostních modelů v Python knihovně pgmpy.

 
Univerzita Karlova | Informační systém UK