Ing. Jiří Vomlel, Ph.D. (externí spolupracovník)

Jiří Vomlel - fotografie
e-mail: zobrazit e-mail
telefon: +420 603 818 061
www: http://staff.utia.cas.cz/vomlel/
instituce: ÚTIA AV ČR
adresa: Pod vodárenskou věží 4, 182 08 Praha 8
 

témata prací

Zefektivnění metod výpočtu v některých typech bayesovských sítí

školitel: Ing. Jiří Vomlel, Ph.D.
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM, II_SIMI
klíčová slova: Strojové učení, Bayesovské sítě, Analýza dat, Pravděpodobnostní metody pro podporu rozhodování, učení modelů z dat, prav
odkaz: http://staff.utia.cas.cz/vomlel/
popis: Bayesovské sítě [1] (nebo http://en.wikipedia.org/wiki/Bayesian_network) jsou příkladem pravděpodobnostního grafického modelu [2] úspěšně používaného v různých reálných aplikacích, kde je třeba podpora rozhodování za nejistoty. Základní výhodou bayesovských sítí je, že umožňují pomocí orientovaného grafu modelovat vztahy mezi veličinami a následně tyto vztahy využít pro efektivní výpočty podmíněných pravděpodobností v modelu (tj. pro pravděpodobnostní inferenci) [3]. To umožňuje použití bayesovských sítí i v aplikacích, kde je třeba modelovat vztahy mezi stovkami veličin. Jednou z aktivních oblastí výzkumu je hledání metod přesné nebo přibližné inference, v situacích kdy využití podmíněných nezávislostí nepostačuje. Jedná se především o bayesovské sítě, kde podmíněné pravděpodobnostní tabulky mají formu takzvaných kanonických modelů [4,5,6]. Cílem disertační práce na téma "Zefektivnění metod výpočtu v některých typech bayesovských sítí" by bylo hledání efektivních metod výpočtu s kanonickými modely, porovnání různých inferenčních metod pro kanonické modely podle a) složitosti výpočtu a b) přesnosti výpočtu Dalším cílem by byl návrh a testování metod pro učení kanonických modelů z dat.
literatura: [1] F. V. Jensen, Bayesian networks and decision graphs, Springer Verlag, 2001. [2] S. L. Lauritzen, Graphical Models, Clarendon Press, Oxford, 1996. [3] F. V. Jensen and S. L. Lauritzen and K. G. Olesen, Bayesian updatingin recursive graphical models by local computation. Computational Statistics Quarterly, 1990, Vol. 4, pp. 269-282. [4] F. J. Díez and M. J. Druzdzel. Canonical Probabilistic Models for Knowledge Engineering. Technical Report CISIAD-06-01, UNED, Madrid, Spain, 2006. http://www.cisiad.uned.es/techreports/canonical.pdf [5] P. Savický and J. Vomlel, Exploiting tensor rank-one decomposition in probabilistic inference, Kybernetika, 2007, Vol. 43, Number 5, pp. 747-764. http://staff.utia.cas.cz/vomlel/kybernetika07.pdf [6] J. Vomlel and P. Tichavský, Computationally efficient probabilistic inference with noisy threshold models based on a CP tensor decomposition. In the Proceedings of PGM 2012, Granada, 2012, pp. 355-362. http://staff.utia.cas.cz/vomlel/pgm2012-vomlel-tichavsky.pdf
naposledy změněno: 18.03.2013 11:58:30

Rozhodovací diagramy pro optimalizaci rychlostního profilu vozidel

školitel: Ing. Jiří Vomlel, Ph.D.
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM, II_SIMI
klíčová slova: umělá inteligence, strojové učení, bayesovské sítě, rozhodovací diagramy, teorie řízení
odkaz: http://staff.utia.cas.cz/vomlel/vomlel.html
popis: Rozhodovací diagramy [1] jsou rozšířením bayesovských sítí pro rozhodvací problémy, kde je cílem maximalizace dané užitkové funkce. Rozhodovací digramy byly již aplikovány v rozhodovacích problémech z různých oblastí (ekonomické rozhodování, expertní systémy ve zdravotnictví, analýza rizika, atd.) [2]. Relativně nedávno byly rozhodovací diagramy aplikovány při optimalizaci rychlostního profilu vozidel [3,4]. Teorie rozhodovacích digramů však není dostatečně rozvinutá pro případy, kdy proměnné modelu nejsou pouze diskrétní ale i spojité (tzv. smíšené rozhodovací diagramy) a užitkové funkce jsou nelineární. Cílem disertační práce je teoretický návrh výpočetních metod pro smíšené rozhodovací diagramy a jejich aplikace v úlohách optimalizace rychlostního profilu vozidel. Pro prvotní testy lze využít již vytvořený počítačový model pro vůz formule 1 na okruhu v Silverstone [3]. Jednou z možností pro teoretický výzkum je navázat na práce [5] a [6].
literatura: [1] F. V. Jensen, Bayesian networks and decision graphs, Springer Verlag, 2001. [2] M. Gómez, Real-World Applications of Influence Diagrams. In Advances in Bayesian Networks, edited by J. A. Gámez, S. Moral, and A. Salmerón. Studies in Fuzziness and Soft Computing, Springer Berlin Heidelberg, pp. 161-180, 2004, doi: 10.1007/978-3-540-39879-0_9 [3] V. Kratochvíl, J. Vomlel, Influence diagrams for the optimization of a vehicle speed profile. In Proceedings of the Twelfth Annual Bayesian Modeling Applications Workshop, Amsterdam, Netherlands, 2015 [4] J. Vomlel, V. Kratochvíl, Influence diagrams for speed profile optimization: computational issues. In Proceedings of the 10th Workshop on Uncertainty Processing (Wupes 2015). September 16-19, 2015, Monínec, Czech Republic. [5] P. Shenoy, J. West, Inference in hybrid bayesian networks using mixtures of polynomials. International Journal of Approximate Reasoning, 52(5):641--657, 2011. [6] B. Kveton, M. Hauskrecht, C. Guestrin, Solving factored {MDPs} with hybrid state and action variables. Journal of Artificial Intelligence Research, 27:153--201, 2006.
naposledy změněno: 18.03.2016 15:31:45

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