Veranstaltung | Wochentag | Termin | Ort |
Vorlesung, 042529 | Montag | 16.15 - 18.00 | Otto-Hahn-Straße 12, Raum 2.063 , Campus Nord |
Übung, 042530 | Dienstag | 12.15 - 14.00 | Otto-Hahn-Straße 14, Raum E02 , Campus Nord |
Graphische Modelle gehören zu den Bemühungen der modernen Informationstechnik, das Schlussfolgern unter Unsicherheit zu ermöglichen. Prominente Anwendungsfelder sind die Robotik, die Bioinformatik, die Künstliche Intelligenz, das Maschinelle Lernen. So kommen sie zum Beispiel in der Auswertung von medizinischen Daten, der Analyse von Genexpressionsdaten und dem Tracken von Bewegungen zum Einsatz. Gegenstand der Vorlesung sind grundlegende Fragestellungen und Techniken der graphischen Modelle, wie z.B.: Repräsentation von Wahrscheinlichkeitverteilungen mittels graphischer Modelle, Unterschied zwischen gerichteten und ungerichteten graphischen Modellen, Repräsentationstheorem, Naive Bayes, Logistische Regression, Explaining Away, lokale Markov Annahme, Faktorisierungen, Unabhängigkeit von Zufallsvariablen. D-Separation, P-Maps, I-Maps. Algorithmen zum Schlussfolgern unter Unsicherheit: Enumeration, Variablen-Elimination, Perfekte Eliminationsordnungen, Moralisierungen, Triangulierungen, Junction Tree, (Loopy) Belief Propagation, Lineare Programmierung, Sampling, Variational Inference. Komplexitätsanalyse der Inferenz und ihre Charakterisierung mittels der Baumweite. Verfahren zu Lernen der Parameter eines graphischen Models aus Daten: Zählen, Gradienten-Abstiegsverfahren, Expectation-Maximization, Bayes’sches Lernen. Strukturlernen mittels Structured EM und Hill Climbing. Modelle für Verteilungen, die sich mit der Zeit ändern, (Hidden Markov Modelle, Dynamische Bayes'sche Netzwerke) und für relationale Domänen.
Ziel des Moduls ist es, dass Studierende eine ausreichenden Kompetenz zu vermitteln, die ihnen eine aktiven Lösungsgestaltung von alltäglich auftauchenden Problemen der Wahrscheinlichkeitsmodellierung mittels graphischer Modelle befähigt. Im Einzelnen: Verständnis dafür, was graphische Modelle sind, Kenntnis der grundlegenden und fortgeschrittenen Verfahren zum Schlussfolgern unter Unsicherheit, Kenntnis der grundlegenden und fortgeschrittenen Verfahren des Maschinellen Lernens zum Lernen der Parameter als auch der Struktur von graphischen Modellen aus Daten, Verständnis der Verzahnung von graphischen Modellen, Wissensrepräsentations und Wissensentdeckung. Insbesondere sollen Studierende durch ein grundlegendes Verständnis der Prinzipien von graphischen Modellen die Fähigkeit erhalten, deren Möglichkeiten und Grenzen in bestimmten Anwendungsfeldern einschätzen zu können.
Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning series) (2009) Daphne Koller, Nir Friedman