„Valószínűségi következtető és döntéstámogató rendszerek” változatai közötti eltérés

A VIK Wikiből
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 = VIMIM221
+
| 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 = írásbeli
+
| vizsga = nincs
 
| levlista =  
 
| levlista =  
−
| tad = https://www.vik.bme.hu/kepzes/targyak/vimim221/
+
| 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

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
1. félév (tavasz)
2. félév (ősz)
3. félév (tavasz)
Egyéb


A lap eredeti címe: „https://wiki.sch.bme.hu/index.php?title=Valószínűségi_következtető_és_döntéstámogató_rendszerek&oldid=188990”