Probabilisztikus modellek II: Inferencia. Nagy Dávid
|
|
- Norbert Kelemen
- 5 évvel ezelőtt
- Látták:
Átírás
1 Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015
2 előző előadás
3 előző előadás az agy modellt épít a világról
4 előző előadás az agy modellt épít a világról tudás formális reprezentációja: logika
5 előző előadás az agy modellt épít a világról tudás formális reprezentációja: logika kiterjesztés bizonytalanságra: valószínűségszámítás
6 előző előadás az agy modellt épít a világról tudás formális reprezentációja: logika kiterjesztés bizonytalanságra: valószínűségszámítás mai előadás: hogyan lehet ezt a tudást használni?
7 probléma
8 mi az amit megfigyelünk?
9 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák
10 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák
11 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák
12 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák
13 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak?
14 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
15 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
16 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
17 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
18 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
19 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
20 mi az amit megfigyelünk? inferencia fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
21 mi az amit megfigyelünk? fotonok becsapódása levegő gyors rezgései hőmérséklet ingadozása bizonyos molekulák inferencia (következtetés) mire vagyunk kíváncsiak? milyen tárgyak vannak körülöttem milyen messze kik vannak körülöttem mire gondolnak miért köhögök mik a fizika törvényei
22 f
23 f }generatív folyamat
24 f }generatív folyamat f
25 f } generatív folyamat inverz inferencia } f -1
26 P (o h) P (h o)
27 P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? P (h o)
28 P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? P (h o) ha ezt figyeljük meg akkor milyen a világ?
29 forward probability generatív irány prediktív irány szimulátor P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? P (h o) ha ezt figyeljük meg akkor milyen a világ?
30 forward probability generatív irány prediktív irány szimulátor P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? inverse probability Bayes-i inferencia modell inverzió P (h o) ha ezt figyeljük meg akkor milyen a világ?
31 P (o h) P (h o) = P (o h)p (h) P (o)
32 P (h o) = P (o h)p (h) P (o) } prior
33 P (h o) = P (o h)p (h) } } likelihood P (o) prior
34 }posterior P (h o) = P (o h)p (h) } } likelihood P (o) prior
35 }posterior P (h o) = P (o h)p (h) } } likelihood P (o) prior } evidence
36 }posterior P (h o) = } } likelihood prior P (o h)p (h) R P (o h)p (h)dh
37 posterior }prior P (h o) / P (o h)p (h) } } likelihood
38 megfordítottuk a generatív modellt posterior }prior P (h o) / P (o h)p (h) } } likelihood
39 megfordítottuk a generatív modellt posterior }prior P (h o) / P (o h)p (h) } } likelihood miért kell a prior?
40
41
42
43
44
45
46
47 f = b P XY Z Y X
48 f = b P XY nem injektív Z Y X
49 f = b P XY nem injektív f 1 nem egyértelmű Z Y X
50 hipotézis tér: minden lehetséges 3D drótváz
51 hipotézis tér: minden lehetséges 3D drótváz image data hipotézisek amelyekre magas a prior
52 hipotézis tér: minden lehetséges 3D drótváz image data hipotézisek amelyekre magas a prior hipotézisek amelyekre nem 0 a likelihood
53 hipotézis tér: minden lehetséges 3D drótváz image data posterior hipotézisek amelyekre magas a prior hipotézisek amelyekre nem 0 a likelihood
54
55
56
57
58
59 színek
60 szén v. hó hány foton?
61
62
63 megvilágítás elnyelési görbe (anyag) spektrális eloszlás
64 megvilágítás elnyelési görbe (anyag) látósejtek érzékenysége spektrális eloszlás 3 szám
65 megvilágítás elnyelési görbe (anyag) látósejtek érzékenysége spektrális eloszlás 3 szám anyag?
66
67
68
69
70
71 beszédfelismerés
72
73 mondatok értelmezése
74 történet 1 Egy férfi bement egy étterembe és rendelt egy hamburgert. Mikor a hamburgert kihozták, látta hogy szénné van égve. A férfi dühösen kirohant anélkül, hogy fizetett vagy borravalót hagyott volna.
75 történet 1 Egy férfi bement egy étterembe és rendelt egy hamburgert. Mikor a hamburgert kihozták, látta hogy szénné van égve. A férfi dühösen kirohant anélkül, hogy fizetett vagy borravalót hagyott volna. történet 2 Egy férfi bement egy étterembe és rendelt egy hamburgert. Mikor a hamburgert kihozták, nagyon elégedett volt vele és mielőtt elhagyta az éttermet nagy borravalót hagyott a pincérnek.
76 történet 1 Egy férfi bement egy étterembe és rendelt egy hamburgert. Mikor a hamburgert kihozták, látta hogy szénné van égve. A férfi dühösen kirohant anélkül, hogy fizetett vagy borravalót hagyott volna. történet 2 Egy férfi bement egy étterembe és rendelt egy hamburgert. Mikor a hamburgert kihozták, nagyon elégedett volt vele és mielőtt elhagyta az éttermet nagy borravalót hagyott a pincérnek. Megette a férfi a hamburgert?
77 - Elnézést, kártyával lehet fizetni? - Persze
78 - Elnézést, kártyával lehet fizetni? - Persze - Egy ászból és királyból tud visszaadni?
79 - Elnézést, kártyával lehet fizetni? - Persze - Egy ászból és királyból tud visszaadni? humor = téves inferencia felfedezése?
80 pontbecslés
81
82 P(x ) 0.5 x
83 P(x ) 0.5 * x
84 P(x ) 0.5 * x
85 H. v. Helmholtz: perception is unconscious inference
86 pontbecslés eloszlás -> egy pont
87 posterior
88 posterior MAP maximum a posteriori becslés
89 posterior * MAP maximum a posteriori becslés
90 posterior * MAP maximum a posteriori becslés 0.7
91 posterior * MAP maximum a posteriori becslés *
92 betegség f tünet f -1 betegség
93 betegség f miért köhögök? tünet f -1 betegség
94 miért köhögök? P (illness symptom) / P (symptom illness)p (illness)
95 miért köhögök? megfázás tüdőrák kéztörés P (illness symptom) / P (symptom illness)p (illness)
96 megfázás tüdőrák kéztörés P (illness symptom) / P (symptom illness)p (illness) megfázás milyen gyakori a tüdőrák? kéztörés
97 megfázás tüdőrák kéztörés megfázás tüdőrák kéztörés P (illness symptom) / P (symptom illness)p (illness) megfázás ha tüdőrák kéztörés lenne a betegség attól köhögnék?
98 megfázás tüdőrák kéztörés megfázás tüdőrák kéztörés megfázás tüdőrák kéztörés P (illness symptom) / P (symptom illness)p (illness) mi a MAP becslés?
99 megfázás tüdőrák kéztörés megfázás tüdőrák kéztörés megfázás tüdőrák kéztörés P (illness symptom) / P (symptom illness)p (illness) valószínűleg megfáztam
100 összefoglalás
101 láttuk, hogy ami érdekel az közvetlenül nem megfigyelhető
102 láttuk, hogy ami érdekel az közvetlenül nem megfigyelhető a rejtett állapotok kikövetkeztetésében segít a generatív folyamat ismerete
103 láttuk, hogy ami érdekel az közvetlenül nem megfigyelhető a rejtett állapotok kikövetkeztetésében segít a generatív folyamat ismerete ennek megfordítása: melyek azok a rejtett állapotok amelyek összeegyeztethetőek a megfigyelésekkel?
104 láttuk, hogy ami érdekel az közvetlenül nem megfigyelhető a rejtett állapotok kikövetkeztetésében segít a generatív folyamat ismerete ennek megfordítása: melyek azok a rejtett állapotok amelyek összeegyeztethetőek a megfigyelésekkel? de ez még nem elég, kell prior is
105 láttuk, hogy ami érdekel az közvetlenül nem megfigyelhető a rejtett állapotok kikövetkeztetésében segít a generatív folyamat ismerete ennek megfordítása: melyek azok a rejtett állapotok amelyek összeegyeztethetőek a megfigyelésekkel? de ez még nem elég, kell prior is (az idegrendszerben a percepció eredménye gyakran csak pontbecslés)
106 de honnan vesszük a modellt (prior)?
107 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek
108 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek
109 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek
110 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek
111 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek
112 de honnan vesszük a modellt (prior)? az objektumok léteznek akkor is mikor nem látjuk őket a hét napjai és az évszakok ciklikusak a puli lehet kutya is és állat is, de nem lehet kutya is és macska is anyanyelv nyelvtana a baráti körök klikkek Linnaeus: a fajokat fa-gráffal lehet leírni Mengyelejev: az elemek periódusos rendszerbe helyezhetőek
113 de honnan vesszük a modellt (prior)?
114 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján
115 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján
116 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján mi a környezet állapota?
117 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján mi a környezet állapota? percepció inferencia
118 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján mi a környezet állapota? percepció inferencia hogyan működik a környezet?
119 de honnan vesszük a modellt (prior)? innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján mi a környezet állapota? percepció inferencia hogyan működik a környezet? tanulás paraméterbecslés struktúra tanulás modell szelekció
120 innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján
121 innátizmus/nativizmus vs tabula rasa úgy tűnik, hogy nagyrészt fel lehet építeni tapasztalatok alapján hogyan?
122 Hierarchikus Bayesi Modellek
123 ha ez lenne a környezet állapota, f akkor mit figyelnék meg?
124 ha ez lenne a környezet állapota, f x akkor mit figyelnék meg?
125 M ha így működne a környezet, g és ez lenne a környezet állapota, f x akkor mit figyelnék meg?
126 M modell paraméterek x megfigyelt állapotváltozó
127 M modell paraméterek y rejtett állapotváltozó x megfigyelt állapotváltozó
128 F modell forma S modell struktúra paraméterek y rejtett állapotváltozó x megfigyelt állapotváltozó
129 miért kell modell prior?
130 miért kell modell prior? (indukció problémája)
131
132
133
134
135 minden hattyú fehér?
136 a kutyának négy lába van
137 a kutyának négy lába van a macskának négy lába van
138 a kutyának négy lába van a macskának négy lába van minden állatnak négy lába van?
139 a kutyának négy lába van a macskának négy lába van minden állatnak négy lába van? minden emlősnek négy lába van?
140 a kutyának négy lába van a macskának négy lába van minden állatnak négy lába van? minden emlősnek négy lába van? a lovaknak négy lába van?
141 ez egy nagyon régi, megold(hat)atlan filozófiai probléma
142 ez egy nagyon régi, megold(hat)atlan filozófiai probléma az emberek napi jelleggel megoldják
143 objects of planet Gazoob
144 objects of planet Gazoob
145 objects of planet Gazoob
146 objects of planet Gazoob
147 objects of planet Gazoob
148 objects of planet Gazoob
149 eloszlások becslése
150 valószínűségi modell valószínűségi eloszlás
151 D x
152 P (x truth) D x
153 P (x truth) predictive P (x D) D x
154 P (x truth) predictive P (x D) D x
155 P (x truth) predictive P (x D) D x
156 true P (x truth) x
157 true P (x truth) x feltételezett generatív valószínűségi modell:
158 true P (x truth) σ μ true x
159 true P (x truth) µ σ μ true x prior P (µ)
160 true P (x truth) σ μ true x σ 0 prior P (µ) μ 0 µ
161 true P (x truth) µ predictive(0) P (x) x prior P (µ)
162 true P (x truth) µ σ 0 +σ predictive(0) P (x) x prior P (µ)
163 true P (x truth) µ predictive(0) P (x) x likelihood(1) P (x 1 µ) prior P (µ)
164 true P (x truth) µ predictive(0) P (x) x likelihood(1) P (x 1 µ) posterior(1) P (µ x 1 ) prior P (µ)
165 µ true P (x truth) predictive(0) P (x) posterior P (µ D) x likelihood(1) P (x 1 µ) posterior(1) P (µ x 1 ) prior P (µ)
166 µ true P (x truth) predictive P (x D) predictive(0) P (x) posterior P (µ D) x likelihood(1) P (x 1 µ) posterior(1) P (µ x 1 ) prior P (µ)
167 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ
168 x P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ
169 = x P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ
170 P (x µ) =N (x µ, )= e (x µ) p 2 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ
171 P (x µ) =N (x µ, )= e (x µ) p 2 P (µ) =N (µ µ 0, 0) P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ
172 (x µ) 2 P (x µ) =N (x µ, )= e 2 2 p P (µ) =N (µ µ 2 0, 0) P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ P (µ x) = N (x µ, )N (µ µ 0, 0) R 1 1 N (x µ, )N (µ µ 0, 0)dµ
173 (x µ) 2 P (x µ) =N (x µ, )= e 2 2 p P (µ) =N (µ µ 2 0, 0) P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ P (µ x) = P (µ x) = N (x µ, )N (µ µ 0, 0) R 1 1 N (x µ, )N (µ µ 0, 0)dµ μ <-> x N (µ x, )N (µ µ 0, 0) R 1 1 N (µ x, )N (µ µ 0, 0)dµ
174 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ P (µ x) = P (µ x) = N (x µ, )N (µ µ 0, 0) R 1 1 N (x µ, )N (µ µ 0, 0)dµ μ <-> x N (µ x, )N (µ µ 0, 0) R 1 1 N (µ x, )N (µ µ 0, 0)dµ konjugált prior! c = N (x µ 0, N (x µ, )N (µ u 0, 0) =c N(µ µ 0, q ); µ0 = µ x ; 0 = 0 ) 0 p
175 P (µ x) = P (µ x) = N (x µ, )N (µ µ 0, 0) R 1 1 N (x µ, )N (µ µ 0, 0)dµ μ <-> x N (µ x, )N (µ µ 0, 0) R 1 1 N (µ x, )N (µ µ 0, 0)dµ konjugált prior! c = N (x µ 0, N (x µ, )N (µ u 0, 0) =c N(µ µ 0, q ); µ0 = µ x ; 0 = 0 ) 0 p P (µ x) = c N(µ µ 0, 0 ) R 1 1 c N(µ µ0, 0 )dµ
176 P (µ x) = μ <-> x N (µ x, )N (µ µ 0, 0) R 1 1 N (µ x, )N (µ µ 0, 0)dµ konjugált prior! c = N (x µ 0, N (x µ, )N (µ u 0, 0) =c N(µ µ 0, q ); µ0 = µ x ; 0 = 0 ) 0 p P (µ x) = c N(µ µ 0, 0 ) R 1 1 c N(µ µ0, 0 )dµ P (µ x) =N (µ µ 0, 0 )
177 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 )
178 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra
179 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra P (µ x) = P (x 1,x 2,...x T µ, )N (µ µ 0, 0) R 1 1 P (x 1,x 2,...x T µ, )N (µ µ 0, 0)dµ D x
180 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra P (µ x) = P (x 1,x 2,...x T µ, )N (µ µ 0, 0) R 1 1 P (x 1,x 2,...x T µ, )N (µ µ 0, 0)dµ P (A, B) =P (A)P (B)
181 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra P (µ x) = P (x 1,x 2,...x T µ, )N (µ µ 0, 0) R 1 1 P (x 1,x 2,...x T µ, )N (µ µ 0, 0)dµ P (A, B) =P (A)P (B) P (µ x) = R 1 1 Q T t=1 N (x t µ, )N (µ µ 0, 0) Q T t=1 N (x t µ, )N (µ µ 0, 0)dµ
182 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra P (µ x) = P (x 1,x 2,...x T µ, )N (µ µ 0, 0) R 1 1 P (x 1,x 2,...x T µ, )N (µ µ 0, 0)dµ P (A, B) =P (A)P (B) P (µ x) = R 1 1 Q T t=1 N (x t µ, )N (µ µ 0, 0) Q T t=1 N (x t µ, )N (µ µ 0, 0)dµ µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) = s 1 T
183 P (µ x) = R 1 1 P (x µ)p (µ) P (x µ)p (µ)dµ eredmény 1 pontra P (µ x) =N (µ µ 0, 0 ) terjesszük ki T pontra P (µ x) = P (x 1,x 2,...x T µ, )N (µ µ 0, 0) R 1 1 P (x 1,x 2,...x T µ, )N (µ µ 0, 0)dµ P (A, B) =P (A)P (B) P (µ x) = R 1 1 Q T t=1 N (x t µ, )N (µ µ 0, 0) Q T t=1 N (x t µ, )N (µ µ 0, 0)dµ µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) = s 1 T P (µ x) =N (µ µ (T ), (T ) )
184 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T
185 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T lim T!1 végtelen adat limit
186 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T lim T!1 végtelen adat limit P T t=0 x t T
187 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T lim T!1 végtelen adat limit P T t=0 x t T 0
188 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T lim T!1 végtelen adat limit P T t=0 x t T P (µ x) =N (µ µ (T ), (T ) ) (µ µ (T ) ) 0
189 eredmény T pontra P (µ x) =N (µ µ (T ), µ (T ) = µ P T t=0 x t 2 + T 0 2 (T ) ) (T ) = s 1 T lim T!1 végtelen adat limit P T t=0 x t T P (µ x) =N (µ µ (T ), (T ) ) (µ µ (T ) ) 0 P (x D) P (x true)
190 P (µ x) =N (µ µ (T ), (T ) ) (µ µ (T ) ) µ P (x D) P (x true)
191 P (µ x) =N (µ µ (T ), (T ) ) (µ µ (T ) ) µ P (x D) P (x true) = x x
192 T=1 T=2 T= true(x) 0.20 predictive(x) 0.20 prior(μ) T=10 T=100
193
194
195 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
196 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
197 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
198 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
199 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
200 közelítő inferencia sztochasztikus közelítő módszerek pl: Markov chain Monte Carlo (MCMC) aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variational Bayes / variational inference pl: pontbecslések nem kell végtelen sok idő, de sosem egzakt eredmény
201 online learning batch learning
202 online learning batch learning prior dataset
203 online learning batch learning prior dataset posterior
204 online learning batch learning prior(t-1) stimulus(t-1) prior dataset posterior
205 online learning batch learning prior(t-1) stimulus(t-1) prior dataset posterior(t-1) posterior
206 online learning batch learning prior(t-1) stimulus(t-1) prior dataset posterior(t-1) prior(t) stimulus(t) posterior
207 online learning batch learning prior(t-1) stimulus(t-1) prior dataset posterior(t-1) prior(t) stimulus(t) posterior posterior(t)
208 online learning batch learning prior(t-1) stimulus(t-1) prior dataset posterior(t-1) prior(t) stimulus(t) posterior posterior(t) prior(t+1) stimulus(t+1)
209 maximum likelihood = MAP with flat prior
210 Házi Feladat Ha elimináltuk a lehetetlent, ami marad, bármilyen valószínűtlenül is hangzik, az igazság. - Sherlock Holmes A. Mutasd meg, hogy S.H. következtetési módszere konzisztens a Bayes-i inferenciával! (azaz diszkrét hipotézisekre, ha a megfigyeléseknek egyet kivéve mindegyik ellentmond, akkor a fennmaradónak posterior valószínűsége mindenképpen 1.) B. Mutasd meg hogy a normál eloszlás tanulásakor az átlagra vonatkozó normál eloszlás tényleg konjugált prior (azaz a likelihood a priorral beszorozva ugyan formájú marad csak más paraméterekkel), és számold ki az új paramétereket! konjugált prior c = N (x µ 0, N (x µ, )N (µ u 0, 0) =c N(µ µ 0, q ); µ0 = µ x ; 0 = 0 ) 0 p
211
Probabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2016 valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0 0.01 1 1 0.04 0 0
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2017 házi feladatok tdk valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2017 elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2019 elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenInferencia valószínűségi modellekben
Statisztikai tanulás az idegrendszerben, 2016. Inferencia valószínűségi modellekben Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Inferencia valószínűségi modellekben
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenKauzális modellek. Randall Munroe
Kauzális modellek Randall Munroe A kauzalitás reprezentációi Determinisztikus Sztochasztikus Feltételes valószínűség < > hipergráf Irányított gráf: több ok, egy okozat < > Bayes-háló Cirkuláris kauzalitás
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenBiológiai rendszerek modellellenőrzése bayesi megközelítésben
Biológiai rendszerek modellellenőrzése bayesi megközelítésben Gál Tamás Zoltán Szoftver verifikáció és validáció kiselőadás, 2013. ősz Forrás: Sumit K. Jha et al.: A Bayesian Approach to Model Checking
RészletesebbenProbabilisztikus modellek V: Struktúra tanulás. Nagy Dávid
Probabilisztikus modellek V: Struktúra tanulás Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 volt szó a normatív megközelítésről ezen belül a probabilisztikus modellekről láttatok példákat az
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 206/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenInferencia. ADOTTAK:! generatív modell: például: DAG + prior(ok) + likelihood(ok) P(X 1,X 2,,X n ) megfigyelések: D = {X i = x i, X j = x j, }
Street1931 Falk1975 Falk1975 Inferencia ADOTTAK:! generatív modell: például: DAG + prior(ok) + likelihood(ok) P(X 1,X 2,,X n ) megfigyelések: D = {X i = x i, X j = x j, }! KISZÁMOLANDÓK:! normalizáció
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenStatisztikus tanulás az idegrendszerben
Statisztikus tanulás az idegrendszerben ORBÁN GERGŐ http://golab.wigner.mta.hu Hierarchikus grafikus modellek Nehéz a nemlineáris optimalizálás hierarchikus rendszerekben: Amennyiben erős függéseket tételezek
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenValószín ségi döntéstámogató rendszerek
Valószín ségi döntéstámogató rendszerek Antos András Antal Péter Hullám Gábor Millinghoer András Hajós Gergely Kulcsszavak: döntés, becslés, költségfüggvény, kockázat, a priori és a posteriori valószín
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenMarkov modellek 2015.03.19.
Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
RészletesebbenExact inference in general Bayesian networks
Exact inference in general Bayesian networks Peter Antal antal@mit.bme.hu Overview The Probability Propagation in Trees of Cliques (a.k.a. ~in join trees) Practical inference Exercises Literature: Valószínűségi
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
RészletesebbenLegyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
. Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi
RészletesebbenValószínűségi modellek
Statisztikai tanulás az idegrendszerben, 2015. Valószínűségi modellek Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Hogyan kezeljük formálisan a bizonytalan
RészletesebbenSTATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS BAYES-I VISELKEDÉS ISMÉTLÉS A rendelkezésre álló információ sosem elégséges, a világ mindig többértelmű BAYES-I VISELKEDÉS ISMÉTLÉS A rendelkezésre
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenBizonytalanság. Mesterséges intelligencia április 4.
Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel
RészletesebbenA Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
RészletesebbenEgy csodálatos elme modellje
Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1 RMKI, Biofizikai osztály 2 Wayne State University, Detroit,
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenBizonytalanságok melletti következtetés
Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula
RészletesebbenMatematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
RészletesebbenBayesi tanulás. Kooperáció és gépi tanulás laboratórium (VIMIMB02) március 12. Elméleti alapok. Bayesi lineáris regresszió
Bayesi tanulás Kooperáció és gépi tanulás laboratórium (VIMIMB02) 2018. március 12. Elméleti alapok A mérés során a gépi tanulás bayesi megközelítésével fogunk megismerkedni. Az elméleti anyag egy része
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 324/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenRejtett Markov Modell
Rejtett Markov Modell A Rejtett Markov Modell használata beszédfelismerésben Készítette Feldhoffer Gergely felhasználva Fodróczi Zoltán előadásanyagát Áttekintés hagyományos Markov Modell Beszédfelismerésbeli
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade A szükséges
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Pozitron emissziós tomográfia alapelve Szervezetbe pozitron kibocsátására képes radioaktív izotópot tartalmazó anyagot visznek cukoroldatban. Sejtek
Részletesebben13. Túlélési analízis. SURVIVAL ANALYSIS Nyári Tibor Ph.D., Boda Krisztina Ph.D.
13. Túlélési analízis SURVIVAL ANALYSIS Nyári Tibor Ph.D., Boda Krisztina Ph.D. Túlélési analízis Eredetileg biológiai és orvosi alkalmazásoknál használták Egyéb alkalmazások pl. szociológia, ipar, közgazdaságtan
RészletesebbenA fizikai világ modelljének felfedezése az agyban. Orbán Gergő. CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont.
A fizikai világ modelljének felfedezése az agyban CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont Lendület program Idegsejtek: Az idegrendszer építőkövei Érzékelés, döntés, végrehajtás 3 Agy vs. Környezet
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenSTATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS TÖRÖK BALÁZS
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS TÖRÖK BALÁZS - 2018.03.05. elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
Részletesebben4. Lokalizáció Magyar Attila
4. Lokalizáció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. szeptember 23. 4. Lokalizáció 2 4. Tartalom
RészletesebbenLátórendszer modellezése
Statisztikai tanulás az idegrendszerben, 2015. Látórendszer modellezése Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ A látórendszer felépítése Prediktálhatóság
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
Részletesebbenp-érték, hipotézistesztelés, és ellentmondásaik
p-érték, hipotézistesztelés, és ellentmondásaik Ferenci Tamás tamas.ferenci@medstat.hu 2018. május 16. Ferenci Tamás tamas.ferenci@medstat.hu p-érték, hipotézistesztelés, és ellentmondásaik 2018. május
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Bizonytalan tudás és kezelése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Milyen matematikát
RészletesebbenGood-Turing lefedés. Lang Zsolt
Good-Turing lefedés Lang Zsolt 2017.03.24. Bevezetés Fajok közösségét vizsgáljuk. Sok faj van, az egyedek száma gyakorlatilag végtelen. Az egyedekből véletlen mintát veszünk. Kérdés, a mintában van-e,
RészletesebbenHeckman modell. Szelekciós modellek alkalmazásai.
Heckman modell. Szelekciós modellek alkalmazásai. Mikroökonometria, 12. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenGrafikonok az R-ben március 7.
Normális eloszlás Grafikonok az R-ben 2012. március 7. Vendégelőadás módosított és végleges időpontja 2012. április 10., 3 óra. Új könyv a tankönyvtárban! Dalgaard, Peter (2008). Introductory statistics
RészletesebbenTerületi sor Kárpát medence Magyarország Nyugat-Európa
Területi sor Terület megnevezése Magyarok száma 2011.01.01. Kárpát medence 13 820 000 Magyarország 10 600 00 Nyugat-Európa 1 340 000 HIV prevalence (%) in adults in Africa, 2005 2.5 Daganatos halálozás
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenStatisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI
Statisztikai alapfogalmak a klinikai kutatásban Molnár Zsolt PTE, AITI Bevezetés Research vs. Science Kutatás Tudomány Szerkezeti háttér hiánya Önkéntesek (lelkes kisebbség) Beosztottak (parancsot teljesítő
RészletesebbenDinamikus rendszerek paramétereinek BAYES BECSLÉSE. Hangos Katalin VE Számítástudomány Alkalmazása Tanszék
Dinamikus rendszerek paramétereinek BAYES BECSLÉSE Hangos Katalin VE Számítástudomány Alkalmazása Tanszék 1 Bayes-becslések 1. A véletlen Bayes féle fogalma A "véletlen" Bayes féle értelmezése a megfigyelést
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
RészletesebbenStatisztikai becslés
Kabos: Statisztika II. Becslés 1.1 Statisztikai becslés Freedman, D. - Pisani, R. - Purves, R.: Statisztika. Typotex, 2005. Reimann J. - Tóth J.: Valószínűségszámítás és matematikai statisztika. Tankönyvkiadó,
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenStatisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31
Matematikai statisztika Gazdaságinformatikus MSc 11. előadás 2018. november 26. 1/31 A tojást rakó kutya - a könyv Hans Peter Beck-Bernholdt, Hans-Hermann Dubben: A tojást rakó kutya c. könyve alapján
Részletesebbenp-érték, hipotézistesztelés, és ellentmondásaik
p-érték, hipotézistesztelés, és ellentmondásaik Ferenci Tamás tamas.ferenci@medstat.hu 2018. május 16. Következtetéselmélet A megfigyelt világ és a tudásunk összekapcsolása Deduktív következtetés: kiindulunk
Részletesebben