Valószínűségi döntéstámogató rendszerek Bevezetés. Peter Antal

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Valószínűségi döntéstámogató rendszerek Bevezetés. Peter Antal"

Artúr Kovács
5 évvel ezelőtt
Látták:

1 Valószínűségi döntéstámogató rendszerek Bevezetés Peter Antal A.I. 2/6/2018 1

2 Információk a kurzusról Döntések a világunkban Racionális döntéstámogatás: bayesi döntéselmélet Demo

3 Honlap Tárgyfelelős és oktató Antal Péter (~peter), Időpont, helyszín Kedd, , IE.320 PÁRATLAN HETEKEN: szerda, , IE.320 A.I. 2/6/2018 3/x

4 Tankönyvek S. Russell and P. Norvig Artificial Intelligence: A Modern Approach Prentice Hall, Second Edition< MI Almanach: P.Antal et al.:valószínűségi döntéstámogató rendszerek, 2014 Szoftver BayesCube, szoftver+felhasználói kézikönyv R LearnBayes

5 Valószínűségi gráfos modellek, Bayes-hálózatok J. Pearl: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Interference, 1988 Cowell, R.G. Dawid, A.P. Lauritzen, S.L. Spiegelhalter, D.J.: Probabilistic Expert Systems, 1999 Friedman, N. Koller, D.: Probabilistic Graphical Models, The MIT Press, 2009 Denis, Jean-Baptiste_ Scutari, Marco: Bayesian Networks With Examples in R, CRC Press, (2014) Søren Højsgaard, David Edwards, Steffen Lauritzen: Graphical Models with R, Springer, (2012) David Bellot: Learning Probabilistic Graphical Models in R, -Packt Publishing (2016) Valószínűségi következtetések és bayesi döntéselmélet A.Gelman, J.B.Carlin, H.S.Stern, D.B.Dunson, A.Vehtari, D.B. Rubin: Bayesian Data Analysis, Chapman and Hall_CRC, 2014 J.Albert: Bayesian Computation with R, 2009 Jean-Michel Marin, Christian P. Robert: Bayesian Essentials with R, Springer-Verlag New York (2014) Richard McElreath: Statistical Rethinking_ A Bayesian Course with Examples in R and Stan, Chapman and Hall_CRC (2015) Valószínűségi mintafelismerés, gépi tanulás és mesterséges intelligencia Devroye, Luc, László Györfi, and Gábor Lugosi. A probabilistic theory of pattern recognition, Springer, 2013 Christopher M. Bishop-Pattern Recognition and Machine Learning, Springer (2007).pdf Kevin P. Murphy: Machine Learning_ A Probabilistic Perspective, The MIT Press (2012) Kevin B. Korb, Ann E. Nicholson: Bayesian Artificial Intelligence, Second Edition-CRC Press, 2010 Információelmélet, statisztikai következtetés Cover, Thomas M., and Joy A. Thomas: Elements of information theory, John Wiley & Sons, T.Hastie, R.Tibshirani, J.Friedman: The Elements of Statistical Learning_ Data Mining, Inference, and Prediction, 2008 A.I. 2/6/2018 5

6 1.-2. Bevezetés és alkalmazások Bizonytalanság és optimális döntések. BayesCube, modellépítés, tanulás Egyszerű Bayes-hálók Naív Bayes-hálók, Markov láncok, Rejtett Markov Modellek Rejtett Markov Modellek alkalmazásai Valószínűségi gráf alapú modellek PDSS:1 BayesWithR1, Becslés és döntéselmélet PDSS:2, AIMA14 BayesCube, Bayesian computation with R Tudásmérnökség, Bayes-tanulás PDSS:4 BayesCube HF Bayesi következtetések PDSS:5 Bayesian computation with R Komplex döntéstámogatás, ajánló rendszerek PDSS:6:szekvenciális, PDSS:7:orvosi Bayesian computation with R 6

7 Kéthetente kis gyakorlati feladatot kell megoldani és 10 napon belüli határidőre benyújtani. A félév során 8. héten egy nagy átfogó házi feladatot adunk ki, amelyet a félév végéig kell benyújtani. A félév során 13. héten egy zárthelyi dolgozatot kell megírni. A félévközi jegy megszerzésének a feltétele a 6 kis feladatból legalább négynek és a nagy házi feladatnak határidőre, elfogadható szinten történő beadása és a zárthelyi elfogadható szinten történő teljesítése. A félévvégi jegy a félévközi kisfeladatok jegyei (30%), a nagy házi feladat jegye (30%) és a zárthelyi jegyének (40%) alapján kerül megállapításra. A kis feladatok "tömeges" pótlása/javítása nem lehetséges. A nagy házi feladat és a zárthelyi a pótlási héten pótolható. Esetleges konzultációra a páros hetek gyakorlat ideje javasolt.

8 Automated decisions Self-driving car Health care Games: chess, Watson, GO Human decisions Daily: 700; 3000; Lifetime: ~10 millions 1 billions Herbert A. Simon: Bounded rationality Rationality? Optimality? Decision theory A.I. 2/6/2018 8

9 Decision situation: Actions Outcomes Probabilities of outcomes Utilities/losses of outcomes QALY, micromort Maximum Expected Utility Principle (MEU) Best action is the one with maximum expected utility Actions a i (which experiment) Outcomes (e.g. dataset) Probabilities P(o j a i ) a o i j p U ( o j ai ) ( o j ai ) ( a i) j U( oj ai ) p( oj ai EU ) a* arg max i EU ( ai ) Utilities, costs Expected utilities U(o j ), C(a i ) EU(a i ) = P(o j a i )U(o j a i ) a i o j

10 A.I. February 6,

11 Petefészekrák nem-invazív diagnosztikája International Ovarian Tumor Analysis (IOTA, Dirk Timmerman) Antal, P., Fannes, G., Timmerman, D., Moreau, Y. and De Moor, B., Using literature and data to learn Bayesian networks as clinical models of ovarian tumors. Artificial Intelligence in medicine, 30(3), pp

12 P(Pathology=malignant E=e) 1 Evidence e 12

Diagnosztikai következtetés P(Diagnózis Passzív megfigyelések) Legkisebb várható veszteségű diagnózis passzív megfigyelések esetén Optimális információgyűjtés További információ hatása a

13 Diagnosztikai következtetés P(Diagnózis Passzív megfigyelések) Legkisebb várható veszteségű diagnózis passzív megfigyelések esetén Optimális információgyűjtés További információ hatása a következtetésre: P(Diagnózis megfigyelések, új megfigyelés) További információ hasznossága Terápiás következtetés P(Kimenetel Megfigyelés, Beavatkozás) Kontrafaktuális következtetés P(ElképzeltKimenetel Megfigyelés, Beavatkozás,Kimenetel, ElképzeltBeavatkozás) 13

14 Kérdéstípusok az orvosi döntéstámogatásban II. Obs.: What is the probability that the patient recovers if he takes the drug x. Int.:What is the probability that the patient recovers if we prescribe* the drug x. Counter.: Given that the patient had not recovered for the drug x, what would have been the probability that patient recovers if we had prescribed* the drug x, instead of x. Imagery observations and interventions: We observed X=x, but imagine that x would have been observed: denoted as X =x. We set X=x, but imagine that x would have been set: denoted as do(x =x ). What is the relation of Observational p(q=q E=e, X=x ) Interventional p(q=q E=e, do(x=x )) Counterfactual p(q =q Q=q, E=e, do(x=x), do(x =x )) *: Assume that the patient is fully compliant. 14

1. Adatbázistól független döntéstámogató rendszer 2. Labor általi (~orvostól független) költséghatékonysági kontroll (+/-!) 3. Orvoskontroll biztosítása (betegadatok teljessége és védelme) 4.

15 1. Adatbázistól független döntéstámogató rendszer 2. Labor általi (~orvostól független) költséghatékonysági kontroll (+/-!) 3. Orvoskontroll biztosítása (betegadatok teljessége és védelme) 4. Labormérések indításának segítése adott minta esetén 5. Labor kapacitásának automatikus figyelembevétele Data Labor Folyamatos tájékoztatás a keletkező eredményekről és következő mérendő(k)ről Finomítási lehetőség: leállás-kiterjesztés 15

16 Bayesi döntéselméleti keret. Valószínűségi gráfos modellek. Növekvő igény döntéstámogatásra. Következtétesi típusok Megfigyelési Beavatkozási Kontrafaktuális Ajánlott olvasmány: AIMA: ch13, ch16, ch18 BayesCube: omework_v2017_v1.pdf

Hasonló dokumentumok

A TANTÁRGY ADATLAPJA

A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4