Valószínüségi következtető és döntéstámogató rendszerek

Probabilistic Inference and Decision Support Systems

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Valószínüségi következtető és döntéstámogató rendszerek

Probabilistic Inference and Decision Support Systems

Tantárgykód

BMEVIMIM221

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	1	0
jelleg (kapcsolt/önálló)	—	kapcsolt	—

Tanulmányi teljesítmény/értékelés típusa

vizsga

Tantárgy kreditértéke

Tantárgyfelelős

DR. Antal Péter

beosztás: egyetemi docens

elérhetőség: antal.peter@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Mesterséges Intelligencia és Rendszertervezés Tanszék

Kar

Villamosmérnöki és Informatikai Kar

Tantárgy weboldala

—

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

· Bevezetés (2 óra elmélet/előadás):

A bizonytalan tudás, a bizonytalanságkezelés lehetőségei. A döntések optimalitása. A döntéshez szükséges információk kinyerése.

· A döntéstámogatás technológiai folyamata (2 óra elmélet/előadás):

A döntéstámogatás folyamata. A döntéstámogató rendszerek architektúrája. A felhasznált technológiák áttekintése.

· Alapvető döntési eljárások (4 óra elmélet/előadás):

Döntéselméleti áttekintés. Bayes döntés, maximum likelihood döntés. Döntési fák. Random forest eljárások.

· Hasznosságelméleti áttekintés (4 óra elmélet/előadás):

Megkötések a racionális preferenciákra. Hasznosságfüggvények. Hasznosságskálák és a hasznosság becslése. Többváltozós hasznosságfüggvények. A preferenciák rendszere és a többattribútumos hasznosság.

· Bayes-statisztikai módszerek. (4 óra elmélet/előadás):

A valószínűség bayesi értelmezése. A bayesi modell. Következtetés. Monte Carlo módszerek. Bayes-statisztikai megközelítés előnyei.

· Bayes-hálók. (6 óra elmélet/előadás):

A valószínűségi definíció: szintaxis és szemantika. Kauzális definíció. Bayes-hálók és a tudásmernökség. Következtetés Bayes-hálókban. Bayes-hálók tanulása. Modelltanulás. Bayes-hálók tanulása hiányos adatok alapján. Jegytanulás

· Temporális valószínűségi következtető rendszerek. (6 óra elmélet/előadás):

Stacionárius folyamatok és a Markov-feltétel. Következtetés időbeli modellekben. Szűrés, előrejelzés, simítás. Gauss-eloszlások frissítése. A Kálmán-szűrés alkalmazhatósága. Dinamikus Bayes-hálók, Gauss folyamatok. Egzakt következtetés dinamikus Bayes-hálókban. Komplex rendszerek hierarchikus és moduláris dekomponálása.

· A neurális hálók és a bayesi megközelítés kapcsolata. (4 óra elmélet/előadás):

Prediktív következtetés, hibrid MCMC módszerek. Modell-átlagolás. Strukturális és parametrikus következtetés. Automatikus relevancia meghatározás (ARD).

· A döntéstámogató rendszerek kialakítására támogató eszközök (2 óra elmélet/előadás)

Az adatokkal foglakozó eszközök, komponensek, a kialakított modellek, a felhasználói felületek.

· Alkalmazási területek bemutatása (2 óra elmélet/előadás)

A megismert elvek és szközök bemutatása egy orvosbiológiai területről vett feladaton.

A valószínűségi következtető és döntéstámogató rendszerek területe a bizonytalan tudásra alapozott optimális döntések meghozatalának kutatásával, illetve az eredmények alkalmazásával foglalkozik. Ez a terület hagyományosan a statisztikára és a döntéselméletre alapozott, de napjainkban egyre inkább összekapcsolódik a számításelméleti és a mesterséges intelligencia kutatásokkal. A tárgy célul tűzi ki, hogy összefoglalja és egységes keretben tárgyalja a döntéselmélet és a mesterséges intelligencia legkorszerűbb eszköztárát, megközelítési módszereit. A tárgy a tudásmérnökség, a gépi tanulás és a következtetés ezen területhez tartozó általános eredményeit tekinti át.

Tanulmányi eredmények

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

A tantárgy oktatása tantermi előadás formában történik. A gyakorlati alkalmazás a tantermi keretekben eljárások és példák bemutatásával, illetve a házi feladat megoldása, a - külön tárgy keretében - kapcsolódó laborgyakorlatok elvégzése során valósul meg.

Tanulástámogató anyagok

Online források

D. J. Hand: Intelligent Data Analysis; T.Hastie,; R.Tibshirani, J.Friedman: The Elements of Statistical Learning; R.; G. Cowel: Probabilistic Networks and Expert Systems; C.M.; Bishop: Neural Networks for Pattern Recognition; R.M.Neal:; Bayesian Learning for Neural Networks; J.; M. Bernardo, A. F. M. Smith: Bayesian Theory; Andrew; Gelman: Bayesian Data Analysis; Bayesian; inference Using Gibbs Sampling: http://www.mrc-bsu.cam.ac.uk/bugs/

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Mesterséges intelligencia Valószínűségszámítás

Képesség típusú kompetenciák

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Mesterséges intelligencia Valószínűségszámítás

Általános szabályok

Követelmények: a. A szorgalmi időszakban: · félév közben (kb. 11-12. héten) egy nagy ZH (max. pontszám 50), , a szükséges minimum szint a pontok 40%-a. b. A vizsgaidőszakban: írásbeli vizsga. A vizsgára bocsátás feltétele az évközi ZH minimális (minimum 40%) szintű teljesítése. c. Osztályozás: A vizsga osztályzata a zh- és a vizsgaeredmény alapján kerül megállapításra. Pótlási lehetőségek: A zárthelyi a szorgalmi időszak során (nem az órarendi időpontban), illetve a pótlási héten egy-egy alkalommal pótolható. Sikeresen megírt zárthelyit javító jelleggel csak a szorgalmi időszakbeli pótláson lehet ismételten megírni. Javítás esetén a javító pótzárthelyi írás megkezdésekor az eredeti eredmény törlődik, mindenképpen a javító pótzh eredményét vesszük figyelembe (akár jobb, akár rosszabb az eredeti eredménynél).

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Mesterséges intelligencia

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.