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 [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Garant: Mgr. Marta Vomlelová, Ph.D.
• Třída: Informatika Mgr. - Teoretická informatika
• Kategorizace předmětu: Informatika > Teoretická informatika

Anotace

čeština

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 přejdeme přes rozhodovací grafy k částečně pozorovaným markovským rozhodovacím procesům (POMDP). Kromě tvorby modelů a metod jejich výpočtu se dotkneme i aplikací.

angličtina

Poslední úprava: 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.

Cíl předmětu

čeština

Poslední úprava: T_KTI (04.05.2012)

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

angličtina

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (14.05.2021)

The course gives an introduction to probabilistic graphical models. The students will learn the following formal models, evaluation and model learning algorithm, application areas.

Podmínky zakončení předmětu

čeština

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.

angličtina

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (07.06.2019)

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Literatura

čeština

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)

angličtina

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

Požadavky ke zkoušce

čeština

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (09.10.2017)

Zkouška je ústní v rozsahu přednesené látky.

angličtina

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (07.06.2019)

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Sylabus

čeština

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (09.05.2023)

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.

angličtina

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (09.05.2023)

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,

4) learning Bayesian networks,

5) POMDP - partially observable Markov decision problems,

6) variational approximate inference

7) example applications.

Basic introduction into the Python libraries pgmpy, bayespy.