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: | 20.11.2017 22:28:42 |
za obsah této stránky zodpovídá:
Ľubomíra Dvořáková | naposledy změněno: 12.9.2011