TAMS22 Sannolikhetsteori och bayesianska nätverk 2011

studiehandbok@lith

Tekniska högskolan vid Linköpings universitet

År : 2011

TAMS22	Sannolikhetsteori och bayesianska nätverk, 4 p / 6 hp /Probability Theory and Bayesian Networks/ För: CS D IT MMAT Y
	Prel. schemalagd tid: 48 Rek. självstudietid: 112
	Utbildningsområde: Naturvetenskap Ämnesgrupp: Matematik Nivå (A-D):C Huvudområde: Matematik, Tillämpad matematik Nivå (G1,G2,A): A
	Datavetenskap Matematik, tillämpad matematik
	Mål: IUAE-matris Den diskuterar grafiska modeller och algoritmer för uppdatering av sannolikhetsfördelningar. Studenten ska få grundläggande kunskaper om teori för och tekniska tillämpningar av Bayesianska nätverk.Efter avslutad kurs skall studenten ha: fått kännedom om det Bayesianska paradigmet. sett definitionen av Bayesianskt nätverk. sett några tekniska tillämpningar av Bayesianska nätverk. förstått olika grafiska representationer av betingat oberoende och hur de används för effektiv uppdatering. lärt sig att konstruera ett korsningsträd och hur man förmedlar meddelanden i ett korsningsträd för att uppdatera sannolikhetsfördelningen över nätverket. fått kännedom om Pearls interventionskalkyl.
	Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan) En grundkurs i sannolikhetsteori. OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.
	Organisation: Föreläsningar, lektioner och datorlaborationer.
	Kursinnehåll: Osäkerhet och det Bayesianska paradigmet, Jeffreys och Pearls metoder för uppdatering, multinomial sampling och Dirichlet-fördelningen. Betingat oberoende och d-separation, Bayesianska nätverk. Hårda, mjuka och virtuella bevis, Bayesianska tillräckliga statistikor, Markov Chain Monte Carlo-metoder Sönderläggningsbara grafer, korsningsträd, Markov-ekvivalens, den väsentliga grafen och kedjegrafer. Inlärning av betingade sannolikhetspotentialer. Inlärning av grafstrukturen. Parametrar och känslighet, avståndsmått för sannolikhetsfördelningar. Grafiska modeller och exponentiella familjer, betingade normalfördelningar. Kausalitet och Pearls interventionskalkyl. Korsningsträdet och meddelandealgoritmer för sannolikhetsuppdateringar. Faktorgrafer och summa-produktalgoritmen.
	Kurslitteratur: Timo Koski & John Noble: Bayesian Networks: An Introduction, Wiley (required). Timo Koski & John Noble: Bayesian Networks: An Introduction, Wiley (krävs).
	Examination:
TEN1 LAB1	En skriftlig tentamen (U,3,4,5) Inlämningsuppgifter (U,3,4,5)	5 hp 1 hp

Undervisningsspråk är Engelska.
Institution: MAI.
Studierektor: Torbjörn Larsson
Examinator: John Noble
Länk till kurshemsida på kursgivande institution
Ansvarig programnämnd: Data&Medie

Engelsk kursplan

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.

Om inget annat anges ovan gäller betygsskala enligt avsnitt a8.5 i de gemensamma bestämmelserna.

Kursplanen gäller för 2011 enligt beslut av ansvarig programnämnd/fakultetstyrelse.

Tekniska högskolan vid Linköpings universitet
Informationsansvarig: TFK , val@tfk.liu.se Senast ändrad: 01/27/2015