„Valószínűségi következtető és döntéstámogató rendszerek” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
a |
|||
1. sor: | 1. sor: | ||
{{Tantárgy | {{Tantárgy | ||
| név = Valószínűségi következtető és<br>döntéstámogató rendszerek | | név = Valószínűségi következtető és<br>döntéstámogató rendszerek | ||
− | | tárgykód = | + | | tárgykód = VIMIMA06 |
| szak = info MSc | | szak = info MSc | ||
| kredit = 4 | | kredit = 4 | ||
10. sor: | 10. sor: | ||
| kiszh = | | kiszh = | ||
| nagyzh = 1 db | | nagyzh = 1 db | ||
− | | hf = | + | | hf = 7/4 kicsi + 1 nagy |
− | | vizsga = | + | | vizsga = nincs |
| levlista = | | levlista = | ||
− | | tad = https://www.vik.bme.hu/kepzes/targyak/ | + | | tad = https://www.vik.bme.hu/kepzes/targyak/VIMIMA06/ |
− | | tárgyhonlap = | + | | tárgyhonlap = http://www.mit.bme.hu/oktatas/targyak/vimima06 |
}} | }} | ||
+ | |||
+ | ==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== | ==Segédanyagok== | ||
2013-ban készült egy kidolgozás vizsgához, feltöltöttem ide. (Vannak benne hibák, inkább arra ajánlanám, ha már nincs sok időtök a készülésre.) [[Media:PDSS_kidolgozas_2013.pdf | Kidolgozás]] | 2013-ban készült egy kidolgozás vizsgához, feltöltöttem ide. (Vannak benne hibák, inkább arra ajánlanám, ha már nincs sok időtök a készülésre.) [[Media:PDSS_kidolgozas_2013.pdf | Kidolgozás]] | ||
-- Bartók Ferenc | -- Bartók Ferenc | ||
+ | |||
+ | 2015-től megújult a tárgy. A régi tárgyhonlap: http://www.mit.bme.hu/oktatas/targyak/vimim221. | ||
+ | |||
+ | ==ZH== | ||
+ | |||
+ | ==Nagy házi(2016)== | ||
+ | * [[Media:Döntám_NagyHázi_2014_Specifikáció.pdf | Specifikáció - 2014]] | ||
+ | * [[Media:Döntám_NagyHázi_2015_Specifikáció.pdf | Specifikáció - 2015]] | ||
+ | * [[Media:Döntám_NagyHázi_2015_Mintamegoldás.pdf | Mintamegoldás - 2015]] | ||
+ | * [[Media:Döntám_Segédlet_2015_BayesCubeManual.pdf | BayesCube - Manual]] | ||
+ | * [[Media:Döntám_Segédlet_2015_BayesCubeÚtmutató.pdf | BayesCube - Útmutató]] | ||
+ | * [[Media:Döntám_Segédlet_2015_BayesCubeSegédlet.pdf | BayesCube - Segédlet]] | ||
+ | |||
+ | ==Kis házik (2016)== | ||
+ | ====1. "kis" gyakorlati feladat:==== | ||
+ | * Naív Bayes-háló alapú döntési háló építése, ajánlottan egy SPAM szűrő készítése. | ||
+ | * A feladatban egy 3-5 csomópontú Naív (vagy általános) Bayes-hálót kell elkészíteni, és legalább 3 beállításban dokumentálni kell a modell szerint prediktált valószínűségeket. | ||
+ | * Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/. | ||
+ | * Határidő: március 6. 24.00. | ||
+ | * Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is: | ||
+ | ** https://mialmanach.mit.bme.hu/aima/ch13s06 | ||
+ | * Gyakorlati felkészüléshez: | ||
+ | ** http://bioinformatics.mit.bme.hu/ honlapon a Tools lapon. | ||
+ | ** [[http://www.mit.bme.hu/eng/system/files/oktatas/targyak/8866/BayesCube_manual_v31.pdf | BayesCube kézikönyv]] | ||
+ | ** [[http://bioinformatics.mit.bme.hu/ | BayesCube XP/Win7/Win8, LINUX és Macintosh verziók]] | ||
+ | ** WIN10 esetében LINUX virtuális gép futtatását javasoljuk, amelyben a LINUX verzió használható! | ||
+ | ** [[https://www.mit.bme.hu/system/files/oktatas/targyak/9891/tanszeki_SPAM.txt | Tanszéki SPAM statisztika]] | ||
+ | |||
+ | ====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: | ||
+ | # Végezzük el a szimulációt hosszabb dobássorozatokra is. | ||
+ | # Vizsgáljuk meg a modell paramétereinek hatását az eredményekre (állapotátmenet-valószínűségek, kibocsátási valószínűség-eloszlás, prior állapot-valószínűségek). | ||
+ | # 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)! | ||
+ | * Modell és 2-5 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/. | ||
+ | * Határidő: március 20. 24.00. | ||
+ | * Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is: | ||
+ | ** http://mialmanach.mit.bme.hu/aima/ch15s03 | ||
+ | * Gyakorlati felkészüléshez: | ||
+ | ** laborsilabuszt (https://www.mit.bme.hu/system/files/oktatas/targyak/9890/hmm_labor.zip) | ||
+ | |||
+ | ====3. Halasztva 13. hétre a megbeszéltek szerint.==== | ||
+ | |||
+ | ====4. "kis" gyakorlati feladat:==== | ||
+ | * Kiterjesztett Naív Bayes-hálók, zajos-VAGY modellek, és döntési gráfos lokális modellek használata | ||
+ | # Hozzunk létre egy Naív Bayes-hálót (N-BN). | ||
+ | # 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. | ||
+ | # Finomítsuk az N-BN modellt feltételesen függőnek tekinthető változók összekötésével. Vizsgáljuk meg ezek hatását a diagnosztikai következtetésre adott esetekben. | ||
+ | # Hozzunk létre egy döntési gráfos lokális modellt tartalmazó Bayes-hálót, ami szintén az N-BN-ben elhanyagolt függések pontosabb modellezését teszi lehetővé. | ||
+ | # 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 | ||
+ | # Idézzük fel az általános és a polifa Bayes-hálókban való egzakt következtetés komplexitásait (ld. jegyzet). | ||
+ | # Mi határozza meg a jegyzetben leírt klikkfán alapuló egzakt következtetés komplexitását? | ||
+ | # Vizsgáljuk meg a BayesCube-ban implementált klikkfa alapú következtetés által létrehozott klikkek számát és a klikkek állapotterének maximumát a következő modellosztályokban: | ||
+ | ## Naív Bayes-hálókban, fa-összekötött Naív Bayes hálókban, általános összekötésű Naív Bayes-hálókban | ||
+ | ## Elsőrendű és magasabb rendű Markov láncokban. | ||
+ | ## Pontosan egy irányítatlan kört tartalmazó Bayes-hálókban. | ||
+ | # 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)". | ||
+ | # Egy tetszőleges, alkalmas Bayes-hálóban mutassunk példát az "oksági", "diagnosztikai" és a "kimagyarázás" következtetés típusokra. | ||
+ | # 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 | ||
+ | |||
{{Lábléc - Intelligens rendszerek szakirány}} | {{Lábléc - Intelligens rendszerek szakirány}} |
A lap jelenlegi, 2016. május 1., 09:54-kori változata
Tartalomjegyzék
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)
- Specifikáció - 2014
- Specifikáció - 2015
- Mintamegoldás - 2015
- BayesCube - Manual
- BayesCube - Útmutató
- BayesCube - Segédlet
Kis házik (2016)
1. "kis" gyakorlati feladat:
- Naív Bayes-háló alapú döntési háló építése, ajánlottan egy SPAM szűrő készítése.
- A feladatban egy 3-5 csomópontú Naív (vagy általános) Bayes-hálót kell elkészíteni, és legalább 3 beállításban dokumentálni kell a modell szerint prediktált valószínűségeket.
- Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
- Határidő: március 6. 24.00.
- Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is:
- Gyakorlati felkészüléshez:
- http://bioinformatics.mit.bme.hu/ honlapon a Tools lapon.
- [| BayesCube kézikönyv]
- [| BayesCube XP/Win7/Win8, LINUX és Macintosh verziók]
- WIN10 esetében LINUX virtuális gép futtatását javasoljuk, amelyben a LINUX verzió használható!
- [| Tanszéki SPAM statisztika]
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:
- Végezzük el a szimulációt hosszabb dobássorozatokra is.
- Vizsgáljuk meg a modell paramétereinek hatását az eredményekre (állapotátmenet-valószínűségek, kibocsátási valószínűség-eloszlás, prior állapot-valószínűségek).
- 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)!
- Modell és 2-5 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
- Határidő: március 20. 24.00.
- Elméleti felkészüléshez szakirodalom: az első két elméleti órán vett anyag háttéranyagai és az MI Almanach ezen fejezete is:
- Gyakorlati felkészüléshez:
3. Halasztva 13. hétre a megbeszéltek szerint.
4. "kis" gyakorlati feladat:
- Kiterjesztett Naív Bayes-hálók, zajos-VAGY modellek, és döntési gráfos lokális modellek használata
- Hozzunk létre egy Naív Bayes-hálót (N-BN).
- 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.
- Finomítsuk az N-BN modellt feltételesen függőnek tekinthető változók összekötésével. Vizsgáljuk meg ezek hatását a diagnosztikai következtetésre adott esetekben.
- Hozzunk létre egy döntési gráfos lokális modellt tartalmazó Bayes-hálót, ami szintén az N-BN-ben elhanyagolt függések pontosabb modellezését teszi lehetővé.
- 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
- Idézzük fel az általános és a polifa Bayes-hálókban való egzakt következtetés komplexitásait (ld. jegyzet).
- Mi határozza meg a jegyzetben leírt klikkfán alapuló egzakt következtetés komplexitását?
- Vizsgáljuk meg a BayesCube-ban implementált klikkfa alapú következtetés által létrehozott klikkek számát és a klikkek állapotterének maximumát a következő modellosztályokban:
- Naív Bayes-hálókban, fa-összekötött Naív Bayes hálókban, általános összekötésű Naív Bayes-hálókban
- Elsőrendű és magasabb rendű Markov láncokban.
- Pontosan egy irányítatlan kört tartalmazó Bayes-hálókban.
- 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)".
- Egy tetszőleges, alkalmas Bayes-hálóban mutassunk példát az "oksági", "diagnosztikai" és a "kimagyarázás" következtetés típusokra.
- 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
1. félév (tavasz) | |
---|---|
2. félév (ősz) | |
3. félév (tavasz) | |
Egyéb |