Intelligens adatelemzés

A statisztikai adatelemzést az adatok mennyiségének és a számítási kapacitásnak a növekedése mellett a következő tényezők is új területekkel gazdagították:   az adatok heterogenitásának növekedése, a korábban domináns passzív, strukturálatlan megfigyeléses adat mellett, egyre nagyobb szerepet kap az aktív beavatkozásból származó és strukturált adat   az elektronikusan elérhető háttértudás növekedése, az a priori ismeretek szakértőtől származó beszerzését felváltják az elektronikus forrásokból származtatott ismeretek   a modellek komplexitásának növekedése, a korábbi függvényapproximációs és eloszlásmodellezős szemlélet mellett egyre nagyobb hangsúlyt kap a dekomponált, hierarchikus (relációs/objektum-orientált) modelleknek  a tanulása, illetve oksági modellek tanulása, beavatkozásokhoz tartozó és kontra-faktuális valószínűségek következtetése   és a feltett kérdések szemantikai jellegének a növekedése, a korábbi predikciós és teljes modell tanulását célzó módszerek mellett, egyre nagyobb szerepet kapnak a modell jegyeinek, szemantikus tulajdonságainak a tanulása, különös tekintettel a háttértudás felhasználására a kérdések megfogalmazásában   a bayes statisztikai megközelítés előtérbe kerülése, ami a számítási kapacitás, az elektronikusan elérhető a priori ismeretek, a modellek és a kérdések komplexitásának növekedésének is következménye.     Ezek az új területek összefoglalóan egy tudás és számítás intenzív bayes statisztikai keretben helyezhetők el, ami tehát komplex adatoknak, ismereteknek, modelleknek és kérdéseknek a statisztikai elemzését kínálja.  

Előadás

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/; Learning in Graphical Models (Adaptive Computation and Machine Learning) by Michael Irwin Jordan (Editor); Graphical Models (Oxford Statistical Science Series, 17) by Steffen L. Lauritzen;  

Valószínűségszámítás, Mesterséges Intelligencia

Követelmények: a. A szorgalmi időszakban: · félév közben (kb. 8-9. héten) egy nagy ZH (max. pontszám 50), a szükséges minimum szint a pontok 40%-a. b. pótlási héten: elővizsga igény szerint.  b. A vizsgaidőszakban: írásbeli vizsga. A vizsgára bocsátás feltétele az évközi ZH minimális (40 %) szintű teljesítése. c. Osztályozás: A vizsga osztályzata a vizsgaeredmény alapján kerül megállapításra.       Pótlási lehetőségek: Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható. A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható. 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).

Ajánlott: Mesterséges intelligencia