Komplex valószínűségi modellek, következtetésre, tanulásra, adatfúzióra

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.

A tárgy elméleti része előadás formájában kerül leadásra. Önálló munkára a házi feladat által kerül sor.

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.

Valószínűségszámítás

Követelmények: Szorgalmi időszakban: Házi feladat sikeres elkészítése és leadása a félév végéig.Vizsgaidőszakban: Szóbeli vizsga. A vizsgára bocsátás feltétele az elfogadott házi feladat.Osztályozás: A vizsga osztályzata a szóbeli vizsgán megszerzett jegy. Pótlási lehetőségek: A házi feladat bemutatása a pótlási héten még lehetséges.