Pravděpodobnostní grafické modely

Sylabus

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.

Anotace

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.