Ing. Jiří Vomlel, Ph.D. (externí spolupracovník)
| 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 |
Zefektivnění metod výpočtu v bayesovských sítí pomocí tenzorových rozkladů
| školitel: | Ing. Jiří Vomlel, Ph.D. |
| e-mail: | zobrazit e-mail |
| typ práce: | dizertační práce |
| zaměření: | MI_MM, MI_AMSM |
| klíčová slova: | Umělá inteligence, Strojové učení, Bayesovské sítě, Tenzorové rozklady |
| 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 [4,5,6,7]. Cílem disertační práce je hledání efektivních metod výpočtu s kanonickými modely, porovnání různých inferenčních metod pro kanonické modely podle a) složitosti výpočtu a b) přesnosti výpočtu. Vhodným kandidátem jsou metody používané pro rozklad tenzorů. Druhým cílem práce je 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, Probabilistic inference with noisy-threshold models based on a CP tensor decomposition, International Journal of Approximate Reasoning (2014), Volume 55, Issue 4, pp. 1072-1092, http://dx.doi.org/10.1016/j.ijar.2013.12.002. [7] P. Tichavský, J. Vomlel. Representations of Bayesian networks by low-rank models, International Conference on Probabilistic Graphical Models, 11-14 September 2018, Prague. Proceedings of Machine Learning Research, Volume 72, pp. 463-474. http://proceedings.mlr.press/v72/tichavsky18a/tichavsky18a.pdf |
| naposledy změněno: | 21.10.2022 09:51:17 |
Adaptivní testování znalostí pomocí bayesovských sítí
| školitel: | Ing. Jiří Vomlel, Ph.D. |
| e-mail: | zobrazit e-mail |
| typ práce: | dizertační práce |
| zaměření: | MI_MM, MI_AMSM |
| klíčová slova: | Bayesovské sítě, Adaptivní testování znalostí, Umělá inteligence, Strojové učení |
| odkaz: | http://staff.utia.cas.cz/vomlel/ |
| popis: | Bayesovské sítě [1,2] jsou příkladem pravděpodobnostního grafického modelu [3] 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) [4]. Cílem práce je vytvořit prototyp adaptivního testu [5,6] pro e-learning v oblasti zájmu, kterou si student doktorského studia zvolí. Test by měl být navržen tak, aby si studenti mohli ověřit získané znalosti a zjistit oblasti, ve kterých se musí ještě zlepšit. Test bude navržen jako adaptivní, což znamená, že otázky budou vybírány vždy na základě předchozích odpovědí. Prvním úkolem je navrhnout bayesovskou síť modelující závislosti mezi různými dovednostmi potřebnými k úspěšnému řešení určitého typu úloh nebo otázek [7,8,9]. Tento model by pak byl použit při návrhu adaptivního testu, jehož cílem je, pomocí co nejmenšího počtu otázek, dosáhnout potřebné informace o dovednostech testovaného studenta. Při následném reálné použití adaptivního testu by byla shromažďována data, která by byla vyhodnocena a použita pro modifikace modelu. Mezi teoretické úlohy řešené v rámci tohoto tématu patří: (a) návrh vhodného typu bayesovské sítě, (b) volba vhodného typu podmíněných pravděpodobnostních tabulek, (c) návrh efektivních metod výpočtu pro vybraný typ bayesovské sítě, (d) návrh metod pro učení a adaptaci modelu z dat. |
| literatura: | [1] F. V. Jensen, Bayesian networks and decision graphs, Springer Verlag, 2001. [2] Bayesian network, Wikipedia, http://en.wikipedia.org/wiki/Bayesian_network [3] S. L. Lauritzen, Graphical Models, Clarendon Press, Oxford, 1996. [4] 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. [5] Howard Wainer, David Thissen, and Robert J. Mislevy. Computerized Adaptive Testing: A Primer. Mahwah, N.J., Lawrence Erlbaum Associates, Second edition, 2000. [6] Russell G. Almond and Robert J. Mislevy. Graphical models and computerized adaptive testing. Applied Psychological Measurement, 23(3):223–237, 1999. [7] Russell. G. Almond, Lou Dibello, Frank Jenkins, Deniz Senturk, Robert J. Mislevy, Linda S. Steinberg, and Duanli Yan. Models for conditional probability tables in educational assessment. In Proc. of the 2001 Conference on AI and Statistics. Society for AI and Statistics, 2001. [8] J. Vomlel: Bayesian networks in educational testing, International Journal of Uncertainty, Fuzziness and Knowledge Based Systems, Vol. 12, Supplementary Issue 1, 2004, pp. 83-100. http://staff.utia.cas.cz/vomlel/ijufks-draft.pdf [9] Computerized adaptive testing using Bayesian networks (lecture slides), http://staff.utia.cas.cz/vomlel/uned/uned-cat.pdf |
| naposledy změněno: | 21.10.2022 09:57:01 |
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 |
| 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: | 21.10.2022 09:48:48 |
Metody strojového učení pro podporu jazykové analýzy slovesných tříd ohrožených jazyků
| školitel: | Ing. Jiří Vomlel, Ph.D. |
| e-mail: | zobrazit e-mail |
| typ práce: | bakalářská práce, diplomová práce |
| zaměření: | MI_MM, MI_AMSM, MINF, APIN |
| klíčová slova: | Umělá inteligence, Strojové učení, Bayesovské sítě, Jazyková analýza, Slovesné třídy |
| odkaz: | http://staff.utia.cas.cz/vomlel/vomlel.html |
| popis: | Více než polovina jazyků na světě je ohrožená a očekává se, že jich velká část v tomto století vymře. Takové jazyky většinou nemají psanou formu a zároveň není jasné, kolik dat je nutno shromáždit, aby bylo možné věrohodně zachytit jejich komplexní charakter. Navíc jsou takové jazyky často studovány pouze jediným jazykovědcem, což vyvolává pochybnosti o objektivnosti vyvozených závěrů a věrohodnosti popisu. Cílem práce je aplikace metod strojové učení [1] za účelem urychlení a zkvalitnění analýzy ohrožených jazyků [2]. Ve spolupráci s jazykovědci z Filozofické fakulty Univerzity Palackého v Olomouci by se práce zaměřila na problematiku slovesných tříd v indonéštině a dvou ohrožených papuánských jazycích abui a sawila [3]. Svými typologickými vlastnostmi jsou tyto jazyky pro otázku slovesných tříd významné. |
| literatura: | [1] T. Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag, 2009. [2] Zamaraeva, Olga, František Kratochvíl, Emily M. Bender, Fei Xia & Kristen Howell. 2017. Computational Support for Finding Word Classes: A Case Study of Abui. In Proceedings of the 2nd Workshop on the Use of Computational Methods for Endangered Languages, Honolulu, Hawaii, March 6-7, 2017, 130{140. Association for Computational Linguistics (ACL). [3] František Kratochvíl, David Moeljadi, Benidiktus Delpada, Václav Kratochvíl, and Jiří Vomlel, Aspectual pairing and aspectual classes in Abui (a submitted manuscript). |
| naposledy změněno: | 24.10.2022 19:44:35 |
Databáze V3S
Aplikace V3S eviduje výsledky vědy a výzkumu a další aktivity vědecko-výzkumných pracovníků ve vědecké komunitě. Aplikace V3S slouží k odesílání výsledků do RIV, exportům pro statistické analýzy i k interním hodnocením vědecko-výzkumné činnosti.
Seznam publikaci ve V3S
za obsah této stránky zodpovídá:
Radek Fučík | naposledy změněno: 7.8.2011