Inhalt

[ 921COENPRMV13 ] VL Probabilistic Models

Versionsauswahl
Es ist eine neuere Version 2022W dieser LV im Curriculum Masterstudium Wirtschaftsinformatik 2024W vorhanden.
(*) Leider ist diese Information in Deutsch nicht verfügbar.
Workload Ausbildungslevel Studienfachbereich VerantwortlicheR Semesterstunden Anbietende Uni
3 ECTS M1 - Master 1. Jahr Informatik Gerhard Widmer 2 SSt Johannes Kepler Universität Linz
Detailinformationen
Quellcurriculum Masterstudium Computer Science 2019W
Ziele Die Vorlesung präsentiert eine große und zentral wichtige Klasse von Methoden der modernen Artificial Intelligence: Probabilistische Graphische Modelle, wie sie für die Repräsentation unvollstständiger Information und unsicheren Wissens in komplexen Problem verwendet werden. Alle drei Aspekte solcher Modelle werden in der Vorlesung behandelt: Semantik, Inferenz und Lernen. Grundlegende Konzepte werden ebenso erklärt wie konkrete Algorithmen, und alle Methoden werden mathematisch abgeleitet und analysiert.
Lehrinhalte Elementare Grundlagen: Wahrscheinlichkeitsverteilungen, Dichtefunktionen, (bedingte) Unabhängigkeit, probabilistisches Schließen. Bayes'sche Netzwerke: Repräsentation, Semantik, Faktorisierung. Inferenz in Bayes'schen Netzen: Exakte Inferenz; approximative Inferenz: stochastische Sampling, Markov Chain Monte Carlo (MCMC)-Methoden. Lernen von Bayes'schen Netzen: Parameterlernen, Strukturlernen, generative vs. diskriminative Modelle (optional). Spezielle Typen von Modellen: Linear Gaussian Networks. Modellieren und Vorhersagen zeitlich-dynamischer Prozesse: Dynamic Bayes Nets, Hidden Markov Models, Kalman-Filter; Particle Filters. Ausgewählte Anwendungen probabilistischer graphischer Modelle
Beurteilungskriterien Schriftliche Klausur am Ende des Semesters.
Lehrmethoden Folienvortrag mit Beispielen an der Tafel
Abhaltungssprache Englisch
Literatur Koller, Daphne, and Friedman, Nir (2009). Probabilistic Graphical Models. Principles and Techniques. Cambridge, MA: MIT Press. Russell, Stuart J. and Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd Edition). Upper Saddle River, NJ: Prentice Hall.
Lehrinhalte wechselnd? Nein
Präsenzlehrveranstaltung
Teilungsziffer -
Zuteilungsverfahren Direktzuteilung