Tagi
systemy sieciowe i komputerowe algorytmika i złożoność obliczeniowa metody numeryczne i grafika komputerowa języki programowania i logika przetwarzanie danych Data Science Praca zespołowa Bazy danych Ekonomia Inżynieria oprogramowania Projektowanie i programowanie obiektowe Architektury systemów komputerowych Systemy operacyjne Sieci komputerowe Ochrona własności intelektualnej Rachunek prawdopodobieństwa i statystykaEfekty kształcenia
Podstawy informatyki i programowania Programowanie i projektowanie obiektowe Architektury systemów komputerowych Rachunek prawdopodobieństwa (L) Systemy operacyjne Sieci komputerowe Bazy danych Podstawy inżynierii oprogramowania Inżynieria oprogramowania (L) Rachunek prawdopodobieństwa (I) Społeczno-ekonomiczne aspekty informatyki (I)Seminarium: Probabilistyczne modele grafowe
Język wykładowy | Polski |
---|---|
Semestr | Letni |
Status | W ofercie |
Opiekun | Jan Chorowski |
Liczba godzin | 30 (sem.) |
Rodzaj | Seminarium |
ECTS | 3 |
Polecany dla I roku | Nie |
Egzamin | Nie |
Tagi | PD (przetwarzanie danych) |
Opis przedmiotu:
Modele graficzne pozwalają na zapis złożonych rozkładów prawdopodobieństwa w formie grafu interakcji między zmiennymi: prawdopodobieństw warunkowych (grafy skierowane) oraz funkcji potencjału (grafy nieskierowane). Taki zapis umożliwia nam wprowadzenie do modelu naszej wiedzy o zależnościach między zmiennymi, prowadzenie rozważań jak nasza wiedza o zmiennych wpływa na niezależności warunkowe albo nawet na rozważanie relacji przyczynowo- skutkowych. Możemy też prowadzić wnioskowanie: wyznaczyć rozkład na pewnym zbiorze zmiennych uwarunkowany na innych zmiennych. Choć dokładne wnioskowanie jest często niewykonalne, istnieje szereg metod przybliżających dokładne wyniki (filtry cząsteczkowe, aproksymacje wariacyjne). Modele graficzne są bardzo ogólne i umożliwiają spójne traktowanie łańcuchów Markowa stosowanych w rozpoznawaniu mowy, filtrów Kalmana stosowanych w robotyce, czy warunkowych pól prawdopodobieństw stosowanych w przetwarzaniu języka naturalnego.
Modele graficzne łączą się również z sieciami neuronowymi: niektóre sieci neuronowe dają się zapisać w postaci modeli graficznych (np. sieci typu RBM), inne zaś stanowią hybrydy w których część prawdopodobieństw definiujących model graficzny reprezentowane jest przez sieć neuronową (np. autoenkoder wariacyjny). Jest prawdopodobne, że wymogi dotyczące m.in. przejrzystości modeli sztucznej inteligencji spowodują powstanie większej ilości podobnych hybryd w których chociaż sieć wyznacza część rozkładów prawdopodobieństwa to końcowa odpowiedź wymaga również wnioskowania w modelu graficznym dla którego możemy udowodnić że przykładowo pewne zmienne wrażliwe (np. płeć, pochodzenie etniczne) nie wpływają bezpośrednio na wyniki.
Program:
Na seminarium chciałbym w formacie „odwróconych zajęć” wspólnie ze słuchaczami przerobić książkę „Probabilistic Graphical Models” w zakresie odpowiadającym kursowi pod tą samą nazwą na Stanfordzie i na Courserze. Na cotygodniowych spotkaniach spróbujemy wspólnie omówić wykłady i rozdziały z książki oraz pogłowimy sie nad listami zadań.
Warunki zaliczenia:
Aktywne uczestnicotwo w zajęciach (dopuszczalne 2 nieobecności) - przygotowanie do zajęć i udział w dyskusji dotyczącej omawianych materiałów, przygotowanie kilku mini-wykładów dotyczących omawianych treści.