Célkitűzés:
Az intelligens adatelemzés és döntéstámogatás tárgy haladó, a gépi tanulás és mélytanulás kutatási frontvonalában lévő megközelítéseket mutat be, így segítve valós problémák szélesebb körének mérnöki megoldását. Elsőként áttekintjük a bayes statisztikai és döntéselméleti kereteket, amelyek egységes keretet nyújtanak a háttértudás felhasználásához, a hiányos és bizonytalan adatok kezeléséhez, komplex modellek alkalmazásához és az intelligens következtetési formákhoz, adaptív adatgyűjtéshez.
Intelligens adatelemzési módszerek között bemutatjuk azokat a technikákat, melyek előfeldolgozásként segíthetnek az elemzés hatékonyságán, jóságán. Ezek között a dimenziócsökkentési és reprezentáció tanulási módszerek a hatékonyságot növelik - az utóbbiak absztraktabb megoldást nyújtva - a klaszterezés pedig fontos része az adatelemzés folyamatának. Az adatelemzést segítő gépi tanuló módszerek teljesítményének növelése történhet együttes gépi tanuló módszerekkel, ezen kívül valós teszthalmazon robusztusabb teljesítmény érhető el regularizációval. Részletesen ismertetjük az adatvezérelt döntéstámogatást ezekkel a gépi tanuló módszerekkel és a döntések kiértékelésének folyamatát, valamint gyakorlatban bemutatjuk ezek használatát különböző típusú (egyszerű, hierarchikus, idősoros, strukturálatlan) adatokon.
A beavatkozási adatok kezelésére és az intelligens adatgyűjtés támogatására bemutatjuk a valószínűségi gráfos modellosztályt és a kapcsolódó döntési hálókat és oksági hálókat, valamint a valószínűségi, oksági és kontrafaktuális következtetési módokat. Ismertetjük a bayes következtetések közelítő számítási módszereit, elsősorban a Markov lánc Monte Carlo módszereket. Bemutatjuk az oksági modellek modern gépi tanulási módszereit és a háttértudás szerepét a tanulásban, adat- és tudásfúzióban. Az adaptív adatgyűjtés keretén belül bemutatjuk az aktív tanulást, a megerősítéses tanulást és a k-karú rablókat, valamint ezek alkalmazását ajánló rendszerekben és felfedező rendszerekben.
Szemeszter:
tavasz