Valószínűségi következtető és döntéstámogató rendszerek

A VIK Wikiből
Valószínűségi következtető és
döntéstámogató rendszerek
Tárgykód
VIMIMA06
Általános infók
Szak
info MSc
Kredit
4
Ajánlott félév
1
Tanszék
MIT
Követelmények
NagyZH
1 db
Házi feladat
7/4 kicsi + 1 nagy
Vizsga
nincs
Elérhetőségek

Követelmények

  • Kéthetente „kis” gyakorlati feladatot kell megoldani és 10 napon belüli határidőre benyújtani.
  • A félév során 8. héten egy „nagy” átfogó házi feladatot adunk ki, amelyet a félév végéig kell benyújtani.
  • A félév során 13. héten egy zárthelyi dolgozatot kell megírni.
  • A félévközi jegy megszerzésének a feltétele a 7 kis feladatból legalább négynek és a nagy házi feladatnak határidőre, elfogadható szinten történő beadása és a zárthelyi elfogadható szinten történő teljesítése.
  • A félévvégi jegy a félévközi kisfeladatok (40%), a nagy házi feladat (20%) és a zárthelyi eredmény (40%) alapján kerül megállapításra.
  • A kis feladatok "tömeges" pótlása nem lehetséges. A nagy házi feladat és a zárthelyi a pótlási héten pótolható.
  • Konzultáció a gyakorlati feladatok esetében páratlan heteken a gyakorlat idejében kérhető.

Segédanyagok

2013-ban készült egy kidolgozás vizsgához, feltöltöttem ide. (Vannak benne hibák, inkább arra ajánlanám, ha már nincs sok időtök a készülésre.) Kidolgozás -- Bartók Ferenc

2015-től megújult a tárgy. A régi tárgyhonlap: http://www.mit.bme.hu/oktatas/targyak/vimim221.

ZH

Nagy házi(2016)

Kis házik (2016)

1. "kis" gyakorlati feladat:

2. "kis" gyakorlati feladat:

  • Rejtett Markov Modell (RMM) építése, ajánlottan egy automata modellezésére.
  • A feladatban a gyakorlat során is már megismert bináris RMM használata a cél, ajánlottan egy (étel/ital/jegy..) automata jó/rossz állapotának a kikövetkeztetésére. Tételezzük fel, hogy adott valószínűséggel elromlik, megjavítják, sőt megjavul(!), amit szekvenciális tudunk megfigyelni (pl. kiadja a kért dolgot vagy nem).
  • Követve a laborsilabuszt, a megoldásban kérem mutassátok be a következőket:
  1. Végezzük el a szimulációt hosszabb dobássorozatokra is.
  2. Vizsgáljuk meg a modell paramétereinek hatását az eredményekre (állapotátmenet-valószínűségek, kibocsátási valószínűség-eloszlás, prior állapot-valószínűségek).
  3. Egészítsük ki az ábrát, hogy ne csak az állapot poszterior valószínűségét, hanem az adott időpontban a legvalószínűbb állapotot is megjelenítse! Figyeljük meg, hogy ez hogyan különbözik a Viterbi útvonaltól, illetve a szimulált állapotoktól. Melyik közelíti jobban a valóságot? Számszerűsítsük a különbségeket (viterbi vs. szimulált) <=> (legvalószínűbb állapotok sorozata vs. szimulált)!

3. Halasztva 13. hétre a megbeszéltek szerint.

4. "kis" gyakorlati feladat:

  • Kiterjesztett Naív Bayes-hálók, zajos-VAGY modellek, és döntési gráfos lokális modellek használata
  1. Hozzunk létre egy Naív Bayes-hálót (N-BN).
  2. Vizsgáljuk meg az előbb létrehozott N-BN átírását Noisy-OR/Zajos-VAGY lokális modellt tartalmazó Bayes-hálóba. Hasonlítsuk össze a célváltozóra vonatkozó feltételes eloszlás parametrikus alakjait, szabad paraméterek számát, közelítés jóságát adott esetekben.
  3. Finomítsuk az N-BN modellt feltételesen függőnek tekinthető változók összekötésével. Vizsgáljuk meg ezek hatását a diagnosztikai következtetésre adott esetekben.
  4. Hozzunk létre egy döntési gráfos lokális modellt tartalmazó Bayes-hálót, ami szintén az N-BN-ben elhanyagolt függések pontosabb modellezését teszi lehetővé.
  5. Opcionális++: Hozzunk létre új csomópontokat is tartalmazó, hiearchikus, Noisy-OR lokális modelleket tartalmazó Bayes-hálót az interakciók modellezésére (lásd hierarchikus N-BN-ek).
  • Beadandó: BayesCube XML modellek és 2-3 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
  • Határidő: április 17. 24.00.
  • Háttéranyagok: előadás + BayesCube felhasználói dokumentációk

5. "kis" gyakorlati feladat:

  • Egzakt következtetés Bayes-hálókban
  1. Idézzük fel az általános és a polifa Bayes-hálókban való egzakt következtetés komplexitásait (ld. jegyzet).
  2. Mi határozza meg a jegyzetben leírt klikkfán alapuló egzakt következtetés komplexitását?
  3. Vizsgáljuk meg a BayesCube-ban implementált klikkfa alapú következtetés által létrehozott klikkek számát és a klikkek állapotterének maximumát a következő modellosztályokban:
    1. Naív Bayes-hálókban, fa-összekötött Naív Bayes hálókban, általános összekötésű Naív Bayes-hálókban
    2. Elsőrendű és magasabb rendű Markov láncokban.
    3. Pontosan egy irányítatlan kört tartalmazó Bayes-hálókban.
  4. Egy tetszőleges Bayes-hálóban (például a készülő nagyHF-beli Bayes-hálóban) mutassunk példát és következtetéssel ellenőrízzük is az irányított-elválasztás ("d-szeparáció") 3 alesetének fennállását és sérülését is: "benti-áthaladó", "benti-széttartó" és "kinti-összetartó+leszármazott(ak)".
  5. Egy tetszőleges, alkalmas Bayes-hálóban mutassunk példát az "oksági", "diagnosztikai" és a "kimagyarázás" következtetés típusokra.
  6. Egy tetszőleges, alkalmas Bayes-hálóban egy önkényesen megválasztott célváltozó esetén mutassunk példát Markov-takarókra és (a) Markov-határra.
  • Beadandó: BayesCube XML modellek és 2-3 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
  • Határidő: május 1. 24.00.
  • Háttéranyagok: előadás + BayesCube felhasználói dokumentációk