Ing. Miroslav Kárný, DrSc. (externí spolupracovník)

e-mail: zobrazit e-mail
telefon: +420 266 052 274
www: http://www.utia.cz/AS
instituce: ÚTIA AVČR, v.v.i.
adresa: Pod vodárenskou věží 4, 182 08, Praha 8
 
rozvrh
předmět kód vyučující zs ls zs kr. ls kr.
Dynamické rozhodování01DYRO Guy, Kárný 3+1 zk - - 4 -
Předmět:Dynamické rozhodování01DYROIng. Guy Tatiana Valentine Ph.D. / Ing. Kárný Miroslav DrSc.----
Anotace:
Osnova:Základní teorie: Úvod do rozhodování; obecné konvence a pojmy; chování a jeho části; struktura rozhodovací úlohy; uspořádání chování; uspořádání strategií.
Bayesovské rozhodování: Základní rozhodovací lemma; návrh dynamického rozhodování; bayesovská filtrace a odhadování; limitní chování návrhu a odhadování.
Plně pravděpodobnostní návrh (PPN): Formulace a řešení; PPN a tradiční návrh; princip aproximace hustot pravděpodobnosti; princip minimální Kullback-Leiblerovy divergence; rozšíření nepravděpodobnostní znalosti; kombinace neúplně slučitelných hustot pravděpodobnosti; potřeba aproximace.
Praktické aspekty: Prvky rozhodování a základní typy rozhodovacích úloh; realizovatelné a přibližné učení; odhadování v exponenciální rodině; odhadování se zapomínáním; realizovatelný a suboptimální návrh; zjednodušené modely a prostory optimalizace; kvantifikace znalostí a preferencí.
Rozhodování s mnoha nedokonalými účastníky: Úvod do problematiky; nedokonalost účastníků; spolupráce účastníků.
Osnova cvičení:
Cíle:Kurz vede k pochopení dynamického rozhodování za neurčitosti a s ním spjatých nástrojů. Student se naučí formulovat rozhodovací úlohy a řešit je. Kurz uvádí též základy plně pravděpodobnostního návrhu, který netriviálně rozšiřuje standardní bayesovské rozhodování. Kurz poskytuje ucelený pohled na stochastickou filtraci a dynamické programování společně s realizovatelnou konstrukcí potřebných pravděpodobnostních prvků včetně těch nutných při rozhodování s více účastníky. Látka je ilustrována příklady reálného využití.
Požadavky:Základy matematické analýzy, statistiky a algebry, angličtina; teorie řízení výhodou
Rozsah práce:
Kličová slova:
Literatura:[1] M. Kárný, J. Bohm, T.V. Guy, L. Jirsa, I. Nagy, P. Nedoma, and L. Tesař. Optimized Bayesian Dynamic Advising: Theory and Algorithms. Springer, London, 2006.
[2] M. Kárný and T.V. Guy. Fully probabilistic control design. Systems & Control Letters, 55(4), 2006.
[3] M. Kárný and T.V. Guy. On support of imperfect Bayesian participants. In: T.V. Guy, M. Kárný, and D.H. Wolpert, Eds, Decision Making with Imperfect Decision Makers, volume 28, Springer, Berlin, 2012.
[4] M. Kárný and T. Kroupa. Axiomatisation of fully probabilistic design. Information Sciences, 186(1), 2012.

Pravděpodobnostní popis dosažitelných cílů rozhodování, aneb jak kvantitativně vyjádřit, co chceme a co můžeme dosáhnout?

školitel: Miroslav Kárný
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM, II_SIMI
klíčová slova: dynamické rozhodování, teorie, algoritmy, pravděpodobnost
odkaz: http://www.utia.cz/AS
popis: Úvod Opakovaný výběr mezi dostupnými alternativami (rozhodnutími) tvoří 99% typů lidských i strojových činností. Vybírá se vždy za neurčitosti a neúplné znalosti. Odpovídající teorie optimálního dynamického rozhodování a jeho algoritmizace jsou značně rozvinuty a dále rozvíjeny. Výzkum vytváří teoretické, algoritmické a programové nástroje umožňující co nejlépe využít dostupnou znalost při respektování praktických i teoretických omezení jak rozhodovačů, tak užívané techniky. Uvedené rámcové téma doktorských prací bude přizpůsobeno konkrétnímu doktorandovi a jeho sklonům k teorii, algoritmům, rozvoji programového vybavení či konkrétnější aplikační oblasti (oddělení školitele bylo například aktivní v oblastech řízení, učení, diagnostiky, ekonomie, dopravy, operátorského řízení, participativní demokracie a dalších). Východiskem všech navrhovaných prací bude původní tzv. plně pravděpodobnostní návrh rozhodovacích strategií zobecňující standardní normativní teorie rozhodování. Téma Pravděpodobnostní popis dosažitelných cílů rozhodování, aneb jak kvantitativně vyjádřit, co chceme a co můžeme dosáhnout? I nejlepší rozhodovací strategie nemusí být dostatečně dobrá jestliže kritérium optimality nedostatečně odráží skutečná přání rozhodujícího a/nebo nezohledňuje jejich dosažitelnost. Navrhované téma se týká teoreticky zdůvodnitelných a algoritmicky realizovatelných výběrů kritéria respektujícího neúplně vyjádřená přání rozhodujícího i data pozorovaná během předchozích rozhodování. =========================================================== Introduction 99% activities of human and machines consist of a repetitive choice among available alternatives (decisions). The choice is always made under uncertainty and incomplete knowledge. The corresponding theory of optimal decision making and its algorithmic expression are well developed and permanently improving. The contemporary research creates theoretical, algorithmic and software tools allowing a better exploitation of the available information while respecting theoretical and practical constraints of decision makers and techniques they use. The topic of doctoral theses is understood as a frame, which will be tailored to the specific PhD student and his/her skills and inclination to theoretical, algorithmic, software development or to a specific application domain. The department of the supervisor has been active in control, diagnostics, fault detection, economy, operator control, participative democracy etc. A novel fully probabilistic design of decision strategies, which generalizes the standard normative decision-making theory, will be the theoretical base of the research. Topic Probabilistic description of reachable decision aim: How to quantify what we want and what we can achieve? The optimal decision-making strategy need not to be good enough if the optimized criterion poorly reflects real aims of the decision maker and/or ignores their reachability. The proposed topic orients towards theoretically-justified algorithmic choice of an appropriate criterion according to incompletely expressed wishes of the decision maker and data observed during previous decision making.
literatura: [1] M. Kárný, T.V.Guy: Fully probabilistic control design, SCL, 55, 4, 259-265, 2006 [2] M. Kárný, T. Kroupa: Axiomatisation of fully probabilistic design, Inf. Sciences 186, 1, 105-113, 2012 [3] M. Kárný: Automated Preference Elicitation for Decision Making, in T.V. Guy , M. Kárný , D.H. Wolpert (Eds), Decision Making and Imperfection, Springer, Studies in Computation Intelligence, 474, 65-99, 2013
naposledy změněno: 20.03.2013 11:04:44

Distribuovaný plně pravděpodobnostní návrh aneb můžeme podpořit sobeckého nedokonalého rozhodovače působícího v neomezené síti jemu podobných?

školitel: Miroslav Kárný
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM, II_SIMI
klíčová slova: dynamické rozhodování, teorie a algoritmy, siť rozhodovačů, pravděpodobnost
odkaz: http://www.utia.cz/AS
popis: Úvod Opakovaný výběr mezi dostupnými alternativami (rozhodnutími) tvoří 99% typů lidských i strojových činností. Vybírá se vždy za neurčitosti a neúplné znalosti. Odpovídající teorie optimálního dynamického rozhodování a jeho algoritmizace jsou značně rozvinuty a dále rozvíjeny. Výzkum vytváří teoretické, algoritmické a programové nástroje umožňující co nejlépe využít dostupnou znalost při respektování praktických i teoretických omezení jak rozhodovačů, tak užívané techniky. Rámcové téma doktorských prací bude přizpůsobeno konkrétnímu doktorandovi a jeho sklonům k teorii, algoritmům, rozvoji programového vybavení či k aplikační oblasti (oddělení školitele bylo např. aktivní v řízení, učení, diagnostice, ekonomii, dopravě, operátorském řízení, participativní demokracie apod). Východiskem všech navrhovaných prací bude původní plně pravděpodobnostní návrh rozhodovacích strategií zobecňující standardní normativní teorie rozhodování. Téma Distribuovaný plně pravděpodobnostní návrh aneb můžeme podpořit sobeckého nedokonalého rozhodovače působícího v neomezené síti jemu podobných? Volba a použití rozhodovacích strategií v netriviálních problémech je všeobecně založena na dělbě úkolů: jednotlivý rozhodovač řeší „sobecky“ problémy, které jsou v jeho hlavním zájmu a jež je schopen řešit. Tím vznikají sítě vzájemně se ovlivňujících rozhodovačů (agentů) a tím i základní zkoumané téma hledající jak je možno teoreticky a algoritmicky podpořit takového agenta, aniž by musel modelovat celou síť či spoléhat na centrálního „super-agenta“. Slibný koncept existuje. ============================================================ Introduction 99% activities of human and machines consist of a repetitive choice among available alternatives (decisions). The choice is always made under uncertainty and incomplete knowledge. The corresponding theory of optimal decision making and its algorithmic expression are well developed and permanently improving. The contemporary research creates theoretical, algorithmic and software tools allowing a better exploitation of the available information while respecting theoretical and practical constraints of decision makers and techniques they use. The topic of doctoral theses is understood as a frame, which will be tailored to the specific PhD student and his/her skills and inclination to theoretical, algorithmic, software development or to a specific application domain. The department of the supervisor has been active in control, diagnostics, fault detection, economy, operator control, participative democracy etc. A novel fully probabilistic design of decision strategies, which generalizes the standard normative decision-making theory, will be the theoretical base of the research. Topic Distributed fully probabilistic design: Can we support a selfish imperfect decision maker acting in unlimited network of similar decision makers? The choice and application of decision-making strategies generally rely on labor division: an individual decision maker (agent) “selfishly” solves feasible tasks of his-her primary interest. Networks of mutually interacting agents arise in this way. The research will focus on search for a theoretical and algorithmic support of an agent, which forces the agent neither to model the whole network nor to rely on a global “super-agent”. A promising solution concept has been already proposed.
literatura: [1] M. Kárný, T.V.Guy: On support of imperfect Bayesian participants, in T.V. Guy , M. Kárný, D.H. Wolpert (Eds), Decision Making with Imperfect Decision Makers, Springer, ISRL, 28, 2012 [2] M. Kárný, T.V. Guy, A. Bodini, F. Ruggeri: Cooperation via sharing of probabilistic information, Int. J. of Computational Intelligence Studies, 1,2, 139-162, 2009
naposledy změněno: 20.03.2013 11:10:04

Aproximace plně pravděpodobnostního návrhu aneb můžeme vytvořit univerzální učící se rozhodovací systémy?

školitel: Ing Miroslav Kárný, DrSc
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM
klíčová slova: dynamické rozhodování, aproximace, teorie a algoritmy, pravděpodobnost
odkaz: http://www.utia.cz/AS
popis: Úvod Opakovaný výběr mezi dostupnými alternativami (rozhodnutími) tvoří 99% typů lidských i strojových činností. Vybírá se vždy za neurčitosti a neúplné znalosti. Odpovídající teorie optimálního dynamického rozhodování a jeho algoritmizace jsou značně rozvinuty a dále rozvíjeny. Výzkum vytváří teoretické, algoritmické a programové nástroje umožňující co nejlépe využít dostupnou znalost při respektování praktických i teoretických omezení jak rozhodovačů, tak užívané techniky. Rámcové téma doktorských prací bude přizpůsobeno konkrétnímu doktorandovi a jeho sklonům k teorii, algoritmům, rozvoji programového vybavení či k aplikační oblasti (oddělení školitele bylo např. aktivní v řízení, učení, diagnostice, ekonomii, dopravě, operátorském řízení, participativní demokracie apod). Východiskem všech navrhovaných prací bude původní plně pravděpodobnostní návrh rozhodovacích strategií zobecňující standardní normativní teorie rozhodování. Téma Aproximace plně pravděpodobnostního návrhu aneb můžeme vytvořit univerzální učící se rozhodovací systémy? Výše zmíněná teorie poskytuje ucelený formální návrh učícího se optimálního rozhodování. Její použitelnost je velmi tvrdě omezena faktem, že její funkcionální rovnice mají zřídka analytické řešení a použitelnost řešení numerických je omezena „prokletím rozměrnosti“. Téma je zaměřeno na systematickou tvorba řešení přibližných, která mohou překonat nebo alespoň zeslabit toto omezení použitelnosti. Slibný směr opírající se o dynamické směsové modely (pravděpodobnostní protiváha neuronových sítí) užité jak v učení modelů, tak v pravděpodobnostním návrhu strategií existuje. ========================================================== Introduction 99% activities of human and machines consist of a repetitive choice among available alternatives (decisions). The choice is always made under uncertainty and incomplete knowledge. The corresponding theory of optimal decision making and its algorithmic expression are well developed and permanently developing. The contemporary research creates theoretical, algorithmic and software tools allowing a better exploitation of the available information while respecting theoretical and practical constraints of decision makers and techniques they use. The listed topic of doctoral theses is understood as a frame, which will be tailored to the specific PhD student and his/her skills and inclination to theoretical, algorithmic, software development or to a specific application domain. The department of the supervisor was active in control, diagnostics, fault detection, economy, operator control, participative democracy etc. A novel fully probabilistic design of decision strategies, which generalizes the standard normative decision-making theory, will be the underlying theoretical base of the proposed topic. Topic Approximation of fully probabilistic design: Can we create universal learning decision-making systems? The mentioned theory provides a formally complete design of optimal decision making. Its use is strongly constrained by the fact that the functional equations describing it rarely have analytical solution and numerical solutions suffer from “curse of dimensionality”. The topic consists of a systematic design of approximate solutions overcoming or at least shifting the barriers of the dimensionality curse. Existing results concerning finite dynamic mixtures (a probabilistic counterpart of neural networks) represent a promising direction applicable both in the learning and the design of decision strategies.
literatura: [1] M. Kárný, T.V.Guy: Fully probabilistic control design, SCL, 55, 4, 259-265, 2006 [2] M. Kárný et al: Optimized Bayesian Dynamic Advising: Theory & Algorithms, Springer, 2006 [3] I.Nagy et al: Bayesian estimation of dynamic finite mixtures , Int. J. of Adaptive Control and Signal Processing, 25, 9, 765-787, 2011
naposledy změněno: 20.03.2013 11:20:11

za obsah této stránky zodpovídá: Radek Fučík | naposledy změněno: 7.8.2011
Trojanova 13, 120 00 Praha 2, tel. 224 358 540, pevná linka 224 923 098, fax 234 358 643
České vysoké učení technické v Praze | Fakulta jaderná a fyzikálně inženýrská | Katedra matematiky