Probabilistic graphical models - NAIL104

• Title: Pravděpodobnostní grafické modely
• Guaranteed by: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2012
• Semester: winter
• E-Credits: 3
• Hours per week, examination: winter s.:2/0, Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech, English
• Teaching methods: full-time
• Teaching methods: full-time
• Guarantor: Mgr. Marta Vomlelová, Ph.D.
• Class: Informatika Mgr. - Teoretická informatika
• Classification: Informatics > Theoretical Computer Science

Annotation

English

Last update: 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.

Czech

Last update: 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.

Aim of the course

English

Last update: 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.

Czech

Last update: T_KTI (04.05.2012)

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

Course completion requirements

English

Last update: 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.

Czech

Last update: 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.

Literature

English

Last update: 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

Czech

Last update: 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)

Requirements to the exam

English

Last update: 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.

Czech

Last update: Mgr. Marta Vomlelová, Ph.D. (09.10.2017)

Zkouška je ústní v rozsahu přednesené látky.

Syllabus

English

Last update: Mgr. Marta Vomlelová, Ph.D. (09.05.2023)

1) A brief refresh of the Artificial Intelligence 2 course, Causal and Bayesian networks,

2) advanced evaluation methods: d-separation, junction tree, message passing scheme,

3) dynamic Bayesian networks DBNs,

4) learning Bayesian networks,

5) decision graphs,

6) POMDP - partially observable Markov decision problems,

7) variational approximate inference

8) example applications.

Basic introduction into the Python libraries pgmpy, bayespy.

Czech

Last update: Mgr. Marta Vomlelová, Ph.D. (09.05.2023)

1) Osvěžení znalostí z UI2, Kauzální a bayesovské sítě.

2) pokročilejší metody vyhodnocení: d-separace, strom spojení, posílání zpráv,

3) dynamické bayesovské sítě (DBN),

4) učení bayesovských sítí,

5) rozhodovací grafy,

6) částečně pozorovatelné markovské procesy (POMDP),

7) Variační přibližná inference (variational approximate inference)

8) příklady aplikací

Dle zájmu studentů bude věnována mírná či intenzivní pozornost tvorbě pravděpodobnostních modelů v Python knihovnám pgmpy, bayespy.