×
Универзитет у Новом Саду

Предмет: Пробабилистички графички модели (22.EAI018)

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Телекомуникације и обрада сигнала
ЕСПБ 6

Циљ предмета је да студент разуме основне елементе теорије пробабилистичких графичких модела као фундаменталног алата за моделовање пробабилистичких система (у које спадају готово сви реални системи) и разуме и стекне рутину у имплементацији широке класе алгоритама за пробабилистичко закључивање популарних под називом Belief-Propagation (BP) алгоритми.

Након успешног завршетка овог курса студенти ће бити способни да: - разумеју основну идеју и примене пробабилистичких графичких модела - разликују бројне класе пробабилистичких графичких модела и разумеју који од њих су погодни за које примене - разумеју математички како се формулише и какав проблем решава Belief-Propagation алгоритам примењен у пробабилистичким графичким моделима - разумеју основе везане за тачност и конвергенцију Belief-Propagation алгоритама - примене Belief-Propagation над примером реалног система, ураде програмску имплементацију са акцентом на ефикасност имплементације, и протумаче резултате.

Понављање и увођење основа из теорије вероватноће потребних за курс. Дискретне и континуалне случајне промењиве, очекивање, моменти, условне расподеле. Основне дефиниције из теорије графова потребне за терминлогију и дефинисање пробабилистичких графичких модела. Основни пробабилистички графички модели: Belief Networks. Условне расподеле, условна независност, установљавање независности случајних промењивих на основу графичких модела, концепт сепарације у графичким моделима и веза са условном независношћу. Увод у основне графичке моделе поред Belief Networks, као што су Марковљеве мреже и Марковљева случајна поља или Марковљеви ланци као специјални случајеви, Фактор графови. Увод у алгоритме пробабилистичког закључивања. Закњучивање на основу маргиналних расподела случајних промењивих. Алгоритми за ефикасно израчунавање маргиналних расподела (алгоритми маргинализације), класа алгоритама са разменама порука (message passing), Sum-Product алгоритам. Алгоритми за ефикасно израчунавање мода здружене расподеле система случајних промењивих, Max-Product алгоритам. Учење у пробабилистичким графичким моделима, учење структуре грагичког модела и учење условних расподела унутар графичког модела из података. Naive Bayes, Maximum Likelihood учење. Учење модела који садржи скривене промењеиве. Expectation-Maximization алгоритам. Варијациони Belief-Propagation алгоритми, Генерализовани Belief-Propagation алгоритам, примене у статистичкој физици, обради сигнала, везе Belief-Propagation алгоритама и компресованог одабирања, везе Belief-Propagation алгоритама и дубоког учења, и друге напредне теме. Садржајна структура практичне наставе ће пратити структуру теоријске наставе, фокусирајући се на програмску имплементацију алгоритама за конструкцију пробабилистичких графичких модела и пробабилистичко закључивање употребом Белиеф-Пропагатион алгоритама. Развој алгоритама од основних елемената до напредне имплементације биће реализован у одговарајућим програмским окружењима (по избору студента при реализацији предметног пројекта).

Предавања се изводе уз PowerPoint презентације. Праћена су рачунарским и лабораторијским вежбама и сесијама дискутовања кључних радова у области уз праћење и видео презентација водећих аутора из области. Компаније које примењују пробабилистичке графичке моделе примаће студенте на праксу, и омогућиће израду самосталних студентских пројеката у координацији са предавачем курса. Предиспитне обавезе чиниће успешно завршен и одбрањен самостални студентски пројекат - услов за излазак на испит је 35 од 70 бодова.Испит ће пратити редовна израда и провера домаћих задатака. Преостали писмени део испита полагаће се у редовним испитним роковима.

Аутори Назив Година Издавач Језик
Christopher Bishop Pattern Recognition and Machine Learning 2011 Springer Енглески
David Barber Bayesian Reasoning and Machine Learning 2012 Cambridge University Press Енглески
Daphne Koller, Nir Friedman Probabilistic Graphical Models 2009 MIT Press Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
40.00
Предметна активност
Презентација
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Писмени део испита - комбиновани задаци и теорија
Предиспитна
Не
Обавезна
Да
Број поена
30.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
10.00

Предавања

Рачунарске вежбе