Pravděpodobnostní grafické modely - NAIL104

• Anglický název: Probabilistic graphical models
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2012
• Semestr: zimní
• E-Kredity: 3
• Rozsah, examinace: zimní s.:2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Garant: Mgr. Marta Vomlelová, Ph.D.
• Vyučující: Mgr. Marta Vomlelová, Ph.D.
• Třída: Informatika Mgr. - Teoretická informatika
• Kategorizace předmětu: Informatika > Teoretická informatika

Anotace

čeština

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.

Poslední úprava: Hric Jan, RNDr. (12.05.2022)

angličtina

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.

Poslední úprava: T_KTI (03.05.2012)

Cíl předmětu

čeština

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

Poslední úprava: T_KTI (04.05.2012)

angličtina

The course gives an introduction to probabilistic graphical models. The students will learn the following formal models, evaluation and model learning algorithm, application areas.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (14.05.2021)

Podmínky zakončení předmětu

čeština

Pro úspěšné absolvování je třeba složit ústní zkoušku z témat obsažených v sylabu v rozsahu předneseném na přednášce.

Část zkoušek může konat distanční formou.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (28.09.2020)

angličtina

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)

Literatura

čeština

• Sucar, Luis Enrique: Probabilistic graphical models: principles and applications, Springer, 2021

• 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)

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (25.09.2024)

angličtina

• Sucar, Luis Enrique: Probabilistic graphical models: principles and applications, Springer, 2021

• 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

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (25.09.2024)

Požadavky ke zkoušce

čeština

Zkouška je ústní v rozsahu přednesené látky.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (09.10.2017)

angličtina

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)

Sylabus

čeština

1) Úvod, Podmíněná nezávislost, bayesovské klasifikátory,

2) bayesovské sítě, skryté markovské modely,

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

4) učení bayesovských sítí,

5) neorientované grafické modely,

6) rozhodovací grafy,

7) částečně pozorovatelné markovské procesy (POMDP),

8) Variační přibližná inference (variational approximate inference)

9) příklady aplikací

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

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (21.05.2025)

angličtina

1) Introduction, Conditional independence, Bayesian Classifiers,

2) Bayesian networks, Hidden Markov Models

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

4) Bayesian network learning,

5) undirected graphical models,

6) decision graphs,

7) POMDP - Partially Observable Markov Decision Problems,

8) variational approximate inference

9) applications.

Basic introduction into the Python libraries pgmpy, bayespy.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (21.05.2025)