The lecture is conceived as an introduction to the above mentioned topic and it leads to the methods of
(mathematical)
description of probabilistic conditional independence (CI) structures by means of tools of discrete mathematics, in
particular
by means of graphs whose nodes correspond to random variables. Because CI structures occur both in modern
statistics
and in artificial inteligence (so-called probabilistic expert systems) the lecture is suitable both for students of
probability and
statistics and for the students of informatics.
Last update: G_M (20.05.2011)
Přednáška je pojata jako úvod do zmíněné problematiky a směřuje k metodám popisu struktur pravděpodobnostní
podmíněné nezávislosti (PN) pomocí objektů diskrétní matematiky, zejména grafů, jejichž uzly odpovídají
náhodným
veličinám. Jelikož struktury PN se objevují jak v moderní statistice tak v umělé inteligenci (tzv. pravděpodobnostní
expertní
systémy) přednáška je vhodná jak pro studenty pravděpodobnosti a statistiky tak pro studenty informatiky.
Aim of the course -
Last update: T_KPMS (22.05.2008)
To explain basic mathematical methods for dealing with probabilistic
conditional independence structures
Last update: T_KPMS (22.05.2008)
Seznámit studenty se základními matemtickými metodami používanými pro
studium pravděpodobnostnich struktur podmíněné nezávislosti
M. Studený: O strukturách podmíněné nezávislosti. Rukopis série
přednášek. ÚTIA 2008.
Teaching methods -
Last update: G_M (28.05.2008)
Lecture.
Last update: G_M (28.05.2008)
Přednáška.
Syllabus -
Last update: T_KPMS (15.02.2007)
The concept of conditional independence (CI). Basic formal properties of CI, the concept of a semi-graphoid and (formal) CI structure. Basic method of construction of measures inducing CI structures. Information-theoretical tools for CI structure study. Graphical methods for CI structure description: undirected graphs (= Markov networks), acyclic directed graphs (= Bayesian networks). The method of local computation.
Possible additional topics: The (non-existence of a) finite axiomatic characterization of CI structures. Learning graphical models from data. Chain graphs.
Last update: T_KPMS (15.02.2007)
Pojem pravděpodobnostní podmíněné nezávislosti (PN). Základní formální vlastnosti PN, pojem semi-grafoidu a (formální) struktury PN. Základní metoda konstrukce měr indukujících struktury PN. Informačně-teoretické nástroje pro studium struktur PN. Grafické metody popisu struktur PN: neorientované grafy (= Markovské sítě), acyklické orientované grafy (= Bayesovské sítě). Metoda lokálních výpočtů.
Možná doplňková temata: (Neexistence) konečné axiomatické charakterizace struktur PN. Učení grafických modelů z dat. Řetězcové grafy.