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

za obsah této stránky zodpovídá: Ľubomíra Dvořáková | naposledy změněno: 12.9.2011
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