Probabilisztikus modellek. Nagy Dávid
|
|
- Artúr Borbély
- 5 évvel ezelőtt
- Látták:
Átírás
1 Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2019
2 elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II: Sampling Measuring priors Neural representation of probabilities Structure learning Vision II Decision making and reinforcement learning
3 valószínűségi kalkulus
4 jelölések valószínűségi változók megfázás köhögés valószínűség valószínűségi változók lehetséges értékei
5 jelölések M K P
6 jelölések M K P m k 0.01 m k 0.04 m k m k 0.095
7 jelölések M K P m k 0.01 m k 0.04 m k m k P (m ^ k) =P (m, k) = 0.04 P (M,K) =
8 jelölések M K P P (M,K) = m k 0.01 m k 0.04 m k m k P (m ^ k) =P (m, k) = 0.04 P (M = m, K = k) =P (m, k) 6= P (M,K)
9 M K P m k 0.01 m k 0.04 m k m k 0.095
10 P (M,K) m k m k m k m k
11 P (M,K) m k m k m k m k
12 P (M,K) probability mass function az igazságtáblázatot függvényként reprezentáljuk m k m k m k m k
13 valószínűségszámítás ö összegszabály s szorzatszabály
14 összegszabály M K P m k 0.01 m k 0.04 m k m k M P m 0.05 m 0.95
15 összegszabály P (k) =P (k, m)+p (k, m) P( esik a hó ) P( esik a hó és süt a nap ) vagy P( esik a hó és nem süt a nap ) P (x) = X y 0 2Y P (x, y 0 ) marginális valószínűség, vagy -szabály
16 valószínűségszámítás ö összegszabály s szorzatszabály
17 szorzatszabály P (m, k) =P (m)p (k m) P( esik a hó és süt a nap ) P( esik a hó ) és P( süt a nap ha esik a hó ) lánc-szabály, és -szabály
18 szorzatszabály P (m, k) = P (m))p (k m)
19 szorzatszabály P (m, k) P (m) = P )P (k m)
20 szorzatszabály P (m, k) P (m) = P )P (k m)
21 szorzatszabály P (m, k) P (m) = P )P (k m) M K P m k 0.01 m k 0.04 m k m k } X P ( ) =1 P (m, k)+p (m, k) const =1 const = P (m)
22 valószínűségszámítás P (X, Y ) probabilisztikus modell P (x) = X y 0 2Y P (x, y 0 ) P (x, y) =P (x y)p (y) feltételes valószínűség Bayes szabály P (x, y) P (y) P (y x)p (x) P (y) = P (x y) = P (x y)
23 valószínűségszámítás P (A, B, C, D, E, F, G, H, I) joint distribution P (D, G H, I) = = P (D, G, H, I)? P (H, I) P P A,B,C,E,F A,B,C,E,F,D,G (feltételes valószínűség) P (A, B, C, D, E, F, G, H, I) P (A, B, C, D, E, F, G, H, I)
24 mintavételezés egy adott probabilisztikus modellhez készíthető* mintavételező gép kimenetei (minták) lehetséges események az események relatív gyakoriságai tartanak a valószínűségeikhez különböző trükökkel lehet mintát venni külön a változókból (marginális eloszlásból) vagy a feltételes eloszlásokból is P (M,K) = M K P m k 0.01 m k 0.04 m k m k nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és köhög nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és nem köhög nem fázott meg és nem köhög
25
26
27 probabilisztikus program 0,5 a = flip(0.3) b = flip(0.3) c = flip(0.3) a + b + c ,375 0,25 0,125 0 P (n) = n n n mintavételezés (sampling) eloszlás
28 <latexit sha1_base64="eywz/ufgtuon4at0abovtop8aeu=">aaace3icbvdlssnafj34rpvvdelmsajvrule0gvrbfdswt6gcwuynbrdj5mwcyowkh9w46+4cagiwzfu/bunbrbaemdgcm693dnhjwxxynvf1sli0vlkamgtul6xubvd2tlt6ihrldvojclv9olmgkvwaa6ctwpfsogl1vkhl2o/dc+u5pg8g1hmvjd0jq84jwckbunydrsh6u1xvq6oslrmlkq4doe9qiqjxpk0gstlaknuqwxx7qnwphfyuky56t3sl9ulabiycvqqrtuohyoxegwccpyv3uszmnah6booozkethvpjfogd43sw0gkzjoaj+rvjzsewo9c30ygbaz61hul/3mdbijzl+uytobjoj0ujakb3oocci8rrkgmdcfucfnxtafelasmxqipwzmnpe+aj1xh8nvtcu0ir6oa9tebqiahnaeaukz11eaupajn9irercfrxxq3pqajc1a+s4f+wpr8axn1nou=</latexit> <latexit sha1_base64="eywz/ufgtuon4at0abovtop8aeu=">aaace3icbvdlssnafj34rpvvdelmsajvrule0gvrbfdswt6gcwuynbrdj5mwcyowkh9w46+4cagiwzfu/bunbrbaemdgcm693dnhjwxxynvf1sli0vlkamgtul6xubvd2tlt6ihrldvojclv9olmgkvwaa6ctwpfsogl1vkhl2o/dc+u5pg8g1hmvjd0jq84jwckbunydrsh6u1xvq6oslrmlkq4doe9qiqjxpk0gstlaknuqwxx7qnwphfyuky56t3sl9ulabiycvqqrtuohyoxegwccpyv3uszmnah6booozkethvpjfogd43sw0gkzjoaj+rvjzsewo9c30ygbaz61hul/3mdbijzl+uytobjoj0ujakb3oocci8rrkgmdcfucfnxtafelasmxqipwzmnpe+aj1xh8nvtcu0ir6oa9tebqiahnaeaukz11eaupajn9irercfrxxq3pqajc1a+s4f+wpr8axn1nou=</latexit> <latexit sha1_base64="eywz/ufgtuon4at0abovtop8aeu=">aaace3icbvdlssnafj34rpvvdelmsajvrule0gvrbfdswt6gcwuynbrdj5mwcyowkh9w46+4cagiwzfu/bunbrbaemdgcm693dnhjwxxynvf1sli0vlkamgtul6xubvd2tlt6ihrldvojclv9olmgkvwaa6ctwpfsogl1vkhl2o/dc+u5pg8g1hmvjd0jq84jwckbunydrsh6u1xvq6oslrmlkq4doe9qiqjxpk0gstlaknuqwxx7qnwphfyuky56t3sl9ulabiycvqqrtuohyoxegwccpyv3uszmnah6booozkethvpjfogd43sw0gkzjoaj+rvjzsewo9c30ygbaz61hul/3mdbijzl+uytobjoj0ujakb3oocci8rrkgmdcfucfnxtafelasmxqipwzmnpe+aj1xh8nvtcu0ir6oa9tebqiahnaeaukz11eaupajn9irercfrxxq3pqajc1a+s4f+wpr8axn1nou=</latexit> <latexit sha1_base64="eywz/ufgtuon4at0abovtop8aeu=">aaace3icbvdlssnafj34rpvvdelmsajvrule0gvrbfdswt6gcwuynbrdj5mwcyowkh9w46+4cagiwzfu/bunbrbaemdgcm693dnhjwxxynvf1sli0vlkamgtul6xubvd2tlt6ihrldvojclv9olmgkvwaa6ctwpfsogl1vkhl2o/dc+u5pg8g1hmvjd0jq84jwckbunydrsh6u1xvq6oslrmlkq4doe9qiqjxpk0gstlaknuqwxx7qnwphfyuky56t3sl9ulabiycvqqrtuohyoxegwccpyv3uszmnah6booozkethvpjfogd43sw0gkzjoaj+rvjzsewo9c30ygbaz61hul/3mdbijzl+uytobjoj0ujakb3oocci8rrkgmdcfucfnxtafelasmxqipwzmnpe+aj1xh8nvtcu0ir6oa9tebqiahnaeaukz11eaupajn9irercfrxxq3pqajc1a+s4f+wpr8axn1nou=</latexit> nagy számok törvénye (Borel féle) Ha E esemény, az E esemény valószínűsége p, Nn(E) esemény bekövetkezéseinek száma n mintában, Akkor 1 valószínűséggel N n (E) n! p as n!1
29 probléma Mi a valószínűsége hogy egy véletlenszerűen választott ember pontosan 1.7 m magas? P (X =1.7) = 0 P (X = ) = 0 pmf(x) x
30 <latexit sha1_base64="uvi8a7ne5pnehdup6hrtvxlxe/k=">aaacenicbzbps8mwgmzt/875r+rrs3aig8hordclmpticylbcmstazpuywlaklq2xj6df7+kfw+kepxkzw9j1vwgmy8k/hie9yv5nyblvcrl+jawlldw19zlg+xnre2dxxnvvy2ttgdswgllhbmgsrjlpkwoysrjbufxwegngfxp/c4dezim/e6nuulfqmdprdfswvlnmku58tf9afpfqq5r0d2b4rbewiasiugyap38dmq+wbhqvl5weewckqcopm9+uwgcs5hwhrmssmtbqflgscikgzmu3uysfoeb6pguro5iir1xvtiehmslhfei9oek5urvitgkprzfge6mkerlew8q/ud1mxvdegpk00wrjmcprrmdkohtfgbibcgkjtqglkj+k8r9jbbwoswydsgex3kr2qd1w/ptwavxvcrraofgcfsbdc5ba9yajmgbdb7bm3gfb8at8wk8gx+z1iwjmdkaf8r4/ag8kppt</latexit> <latexit sha1_base64="uvi8a7ne5pnehdup6hrtvxlxe/k=">aaacenicbzbps8mwgmzt/875r+rrs3aig8hordclmpticylbcmstazpuywlaklq2xj6df7+kfw+kepxkzw9j1vwgmy8k/hie9yv5nyblvcrl+jawlldw19zlg+xnre2dxxnvvy2ttgdswgllhbmgsrjlpkwoysrjbufxwegngfxp/c4dezim/e6nuulfqmdprdfswvlnmku58tf9afpfqq5r0d2b4rbewiasiugyap38dmq+wbhqvl5weewckqcopm9+uwgcs5hwhrmssmtbqflgscikgzmu3uysfoeb6pguro5iir1xvtiehmslhfei9oek5urvitgkprzfge6mkerlew8q/ud1mxvdegpk00wrjmcprrmdkohtfgbibcgkjtqglkj+k8r9jbbwoswydsgex3kr2qd1w/ptwavxvcrraofgcfsbdc5ba9yajmgbdb7bm3gfb8at8wk8gx+z1iwjmdkaf8r4/ag8kppt</latexit> <latexit sha1_base64="uvi8a7ne5pnehdup6hrtvxlxe/k=">aaacenicbzbps8mwgmzt/875r+rrs3aig8hordclmpticylbcmstazpuywlaklq2xj6df7+kfw+kepxkzw9j1vwgmy8k/hie9yv5nyblvcrl+jawlldw19zlg+xnre2dxxnvvy2ttgdswgllhbmgsrjlpkwoysrjbufxwegngfxp/c4dezim/e6nuulfqmdprdfswvlnmku58tf9afpfqq5r0d2b4rbewiasiugyap38dmq+wbhqvl5weewckqcopm9+uwgcs5hwhrmssmtbqflgscikgzmu3uysfoeb6pguro5iir1xvtiehmslhfei9oek5urvitgkprzfge6mkerlew8q/ud1mxvdegpk00wrjmcprrmdkohtfgbibcgkjtqglkj+k8r9jbbwoswydsgex3kr2qd1w/ptwavxvcrraofgcfsbdc5ba9yajmgbdb7bm3gfb8at8wk8gx+z1iwjmdkaf8r4/ag8kppt</latexit> <latexit sha1_base64="uvi8a7ne5pnehdup6hrtvxlxe/k=">aaacenicbzbps8mwgmzt/875r+rrs3aig8hordclmpticylbcmstazpuywlaklq2xj6df7+kfw+kepxkzw9j1vwgmy8k/hie9yv5nyblvcrl+jawlldw19zlg+xnre2dxxnvvy2ttgdswgllhbmgsrjlpkwoysrjbufxwegngfxp/c4dezim/e6nuulfqmdprdfswvlnmku58tf9afpfqq5r0d2b4rbewiasiugyap38dmq+wbhqvl5weewckqcopm9+uwgcs5hwhrmssmtbqflgscikgzmu3uysfoeb6pguro5iir1xvtiehmslhfei9oek5urvitgkprzfge6mkerlew8q/ud1mxvdegpk00wrjmcprrmdkohtfgbibcgkjtqglkj+k8r9jbbwoswydsgex3kr2qd1w/ptwavxvcrraofgcfsbdc5ba9yajmgbdb7bm3gfb8at8wk8gx+z1iwjmdkaf8r4/ag8kppt</latexit> probléma Mi a valószínűsége hogy egy véletlenszerűen választott ember pontosan 1.7 m magas? P (X =1.7) = 0 P (X = ) = 0 pdf(x) probability density function Z b a p X (x) dx = P (a apple X apple b) sűrűségfüggvény x
31 mintavételezés
32 mintavételezés
33 mit jelölünk P-vel? Mindent. pmf pdf pdf(x) = X i pmf(x i ) (x x i )
34 valószínűségszámítás P (X, Y ) probabilisztikus modell P (x) = X y 0 2Y P (x, y 0 ) P (x, y) =P (x y)p (y)
35 valószínűségszámítás P (X, Y ) probabilisztikus modell P (x) = Z Y P (x, y) dy P (x, y) =P (x y)p (y) X! Z dy y
36 valószínűségszámítás P (X, Y ) probabilisztikus modell P (x) = Z Y P (x, y) dy P (x, y) =P (x y)p (y) feltételes valószínűség Bayes szabály P (x, y) P (y) P (y x)p (x) P (y) = P (x y) = P (x y)
37 összefoglalás ismerjük a valószínűségi kalkulus két szabályát, a szorzatszabályt és az összegszabályt tudjuk mit jelent mintákat venni egy eloszlásból (sampling) ezeket ki tudjuk terjeszteni folytonosan sok értékű változókra a valószínűségszámításban már mindent* tudunk, most már csak kényelmi** fogalmakat vezetünk be * : azért nem mindent, mert ha (a valós számokhoz hasonlóan) más matematikai objektumokra is ki szeretnénk terjeszteni (pl val. változók amelyeknek a lehetséges értékei is valószínűségi eloszlások vagy végtelen sok val. változó), az nem mindig triviális. mértékelmélet ** : néha a kényelmi megoldások teszik lehetővé hogy praktikusan is ki lehessen számolni valamit, ne csak elméletben (exponenciális komplexitás)
38 függetlenség x? y p(x, y) =p(x)p(y) p(x y) =p(x) ha megtudjuk hogy y, az semmit nem változtat x valószínűségén az előbb 4-est dobtunk. Mit fogunk most dobni? P (d 1 d 2 )P (d 2 )=P (d 1 )P (d 2 ) az előbb 4-es dobtunk, most dobunk mégegyet, mi lesz a kettő összege? P (d 1 + d 2 d 2 )P (d 2 ) 6= P (d 1 + d 2 )P (d 2 )
39 feltételes függetlenség x? y z p(x, y z) =p(x z)p(y z) p(x y, z) =p(x z) ha már tudjuk hogy z, és megtudjuk hogy y, az semmit nem változtat x valószínűségén képeket nézek, a kérdés hogy fogok-e látni snowboardosokat. Számít hogy látok-e sífelvonókat? Ha tudjuk hogy síterepen készült képeket nézünk akkor is számít hogy látok-e sífelvonókat? a függetlenség és a feltételes függetlenség nem implikálják egymást, erre majd látunk több példát
40 irányított grafikus modellek
41 igazságtáblázat joint probability table propozicionális logika i. grafikus modell elsőrendű logika univerzalitás λ-kalkulus UTM probabilisztikus programnyelvek
42 P (X 1,X 2,X 3,X 4 )= lánc-szabály =P (X 1 X 2,X 3,X 4 ) P (X 2 X 3,X 4 ) P (X 3 X 4 ) P (X 4 ) X 1? X 3,X 4 X 2 X 2? X 4 X 3 X 3? X 4 = P (X 1 X 2 ) P (X 2 X 3 )P (X 3 )P (X 4 ) X4 X3 X2 P (X 1,X 2,...,X n )= ny i P (X i P arent(x i )) X1
43 grafikus modellek az eloszlás faktorizálódik a gráf szerint a gráf az eloszlás függetlenségi struktúráját kódolja a függetlenségi relációk leolvashatóak a gráfról hogyan? X4 X3 P (X 1,X 2,X 3,X 4 )= = P (X 1 X 2 ) P (X 2 X 3 )P (X 3 )P (X 4 ) X2 P (X 1,X 2,...,X n )= ny i P (X i P arent(x i )) X1
44 hatásterjedés Nehéz Intell. ZH pont Felv. pont ZH jegy
45 hatásterjedés nehez = sample(p(nehez)) intell = sample(p(intell)) pont = sample(p(pont nehez, intell)) felv = sample(p(felv intell)) jegy = sample(p(jegy pont))
46 hatásterjedés Nehéz tud terjedni hatás? ZH pont
47 hatásterjedés Nehéz igen ZH pont
48 hatásterjedés Nehéz ZH pont tud terjedni hatás? ZH jegy
49 hatásterjedés Nehéz ZH pont igen ZH jegy
50 hatásterjedés Nehéz ZH pont tud terjedni hatás? megfigyelt változó ZH jegy
51 hatásterjedés Nehéz ZH pont nem ZH jegy
52 hatásterjedés Nehéz Intell. ZH pont Felv. pont tud terjedni hatás? ZH jegy
53 hatásterjedés Nehéz Intell. ZH pont Felv. pont igen ZH jegy
54 hatásterjedés Nehéz Intell. ZH pont Felv. pont tud terjedni hatás? ZH jegy
55 hatásterjedés Nehéz Intell. ZH pont Felv. pont nem ZH jegy
56 hatásterjedés Nehéz Intell. tud terjedni hatás? ZH pont Felv. pont ZH jegy
57 hatásterjedés Nehéz Intell. nem ZH pont Felv. pont ZH jegy
58 hatásterjedés (explaining away) Nehéz Intell. tud terjedni hatás? ZH pont Felv. pont ZH jegy
59 hatásterjedés (explaining away) Nehéz Intell. igen Valamivel meg kell magyarázni a magas pontszámot: ha azt mondom hogy maximális pontszámot kaptam, azt gondolhatjátok hogy okos vagyok. De ha kiderül hogy nagyon könnyű volt, akkor kevésbé gondoljátok ezt. ZH pont ZH jegy Felv. pont
60 hatásterjedés Nehéz Intell. tud terjedni hatás? ZH pont Felv. pont ZH jegy
61 hatásterjedés Nehéz Intell. igen ZH pont Felv. pont ZH jegy
62 d-szeparáció tétel az előbbi kis gráfokból összekombinálható az összes lehetséges függőségi reláció azt akarjuk leolvasni hogy u és v változók függetlenek-e különböző m megfigyelések mellett u és v között minden lehetséges útra ellenőrizzük hogy blokkolva van-e, feltéve hogy megfigyeljük m-et ha minden út blokkolva van, akkor függetlenek (feltéve m)
63 v v u v m m m u u u m v d-szeparáció m u v u v m m u v d
64 v m u nem juthat át hatás
65 Markov takaró Y 8Y : X? Y MB(X) szülők X gyerekek gyerekek szülei
66 plate notation
67 grafikus modell építés µ µ int int P (I) =N (I µ int, int) Nehéz Intell. P (N) =N (N µ, ) Z max ZH pont Felv. pont P (Z) = Binomial(Z Z max, sig(i N)) házi feladat ZH jegy
68 I N
69 grafikus modell építés nehez = normal(mu,sigma) intell = normal(mu_i,sigma_i) pont = binomial(z_max,sig(intell-nehez)) felv = binomial(z_max2,sig(intell)) jegy = bin(pont,5)
70
71
72 összefoglalás tudjuk mit jelent a függetlenség probabilisztikus modellekben az irányított grafikus modellek az eloszlás függetlenségi struktúráját jelenítik meg a gráf a teljes eloszlás egy faktorizációját adja meg, amelynek segítségével kevesebb számmal is meg lehet adni az eloszlást ezt kihasználva hatékonyabb inferencia algoritmusokat lehet kitalálni a gráfról a függetlenségi relációkat a d-szeparáció tétel alapján le tudjuk olvasni a grafikus modell abban is segít hogy egy intuitívan ismert rendszerből probabilisztikus modellt tudjunk felírni
73 bayes-i inferencia
74 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 mik a fizika törvényei
75 f
76 f }generatív folyamat
77 f }generatív folyamat f
78 f } generatív folyamat inverz inferencia } f -1
79 P (o h) P (h o)
80 P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? P (h o)
81 P (o h) ha ilyen lenne a világ akkor mit figyelnénk meg? P (h o) ha ezt figyeljük meg akkor milyen a világ?
82 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?
83 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?
84 P (o h) P (h o) = P (o h)p (h) P (o)
85 P (h o) = P (o h)p (h) P (o) } prior
86 P (h o) = P (o h)p (h) } } likelihood P (o) prior
87 }posterior P (h o) = P (o h)p (h) } } likelihood P (o) prior
88 }posterior P (h o) = P (o h)p (h) } } likelihood P (o) prior } evidence
89 }posterior P (h o) = } } likelihood prior P (o h)p (h) R P (o h)p (h)dh
90 posterior }prior P (h o) / P (o h)p (h) } } likelihood
91 megfordítottuk a generatív modellt posterior }prior P (h o) / P (o h)p (h) } } likelihood
92 megfordítottuk a generatív modellt posterior }prior P (h o) / P (o h)p (h) } } likelihood miért kell a prior?
93 betegség f tünet f -1 betegség
94 miért köhögök? P (illness symptom) / P (symptom illness)p (illness)
95 megfázás tb kéztörés P (illness symptom) / P (symptom illness)p (illness) megfázás milyen gyakori a tb? kéztörés
96 megfázás tb kéztörés megfázás tb kéztörés P (illness symptom) / P (symptom illness)p (illness) megfázás ha tb kéztörés lenne a betegség attól köhögnék?
97 megfázás tb kéztörés megfázás tb kéztörés megfázás tb kéztörés P (illness symptom) / P (symptom illness)p (illness) valószínűleg megfáztam
98 3D - 2D
99
100
101
102
103
104 f = b P XY Z Y X
105 f = b P XY nem injektív f 1 nem egyértelmű Z Y X
106 hipotézis tér: minden lehetséges 3D drótváz
107 hipotézis tér: minden lehetséges 3D drótváz image data hipotézisek amelyekre magas a prior
108 hipotézis tér: minden lehetséges 3D drótváz image data hipotézisek amelyekre magas a prior hipotézisek amelyekre nem 0 a likelihood
109 hipotézis tér: minden lehetséges 3D drótváz image data posterior hipotézisek amelyekre magas a prior hipotézisek amelyekre nem 0 a likelihood
110 [Kulkarni et al 2014]
111
112 színek
113 szén v. hó hány foton?
114
115
116 megvilágítás elnyelési görbe (anyag) spektrális eloszlás
117 megvilágítás elnyelési görbe (anyag) látósejtek érzékenysége spektrális eloszlás 3 szám
118 megvilágítás elnyelési görbe (anyag) látósejtek érzékenysége spektrális eloszlás 3 szám anyag?
119
120
121
122 <latexit sha1_base64="ctucsgl1wbuafk/fjftzs1qay6y=">aaacb3icbvblswmxgmzwv62vvy+cbitqozrdefry9ojxbfua7lky2wwbmk2wjkuu2psx/4oxd4p49s9489+ytnvq1ohampn9swbclfglhefbkiwtr6yufddlg5tb2zv27l5tiuxi0scccdkokskmctlqvdpstivbschikxxctfzwhzgkcn6rhykjettjnkyyasn17uovyu7i0qn0tybe5v7iyk8++nwz2rxlts2zai4snydlkmpr2l9+jhcwek4xq0p1xcfvwqhjttej45kfkziipea90jguo4soydtnmybhrolglkq5xmop+ntjhbklhklojhok+2rem4j/ez1mxxfbipi004tj2unxxqcjpckfrlqsrnnqeiqlnx+fui8kwtpuvziluporf0nztoyafnnwrl/mdrtbatgcfeccc1ah18addydbi3ggr+dnerjerhfryzzaspkdffah1ucpicoymg==</latexit> <latexit sha1_base64="ctucsgl1wbuafk/fjftzs1qay6y=">aaacb3icbvblswmxgmzwv62vvy+cbitqozrdefry9ojxbfua7lky2wwbmk2wjkuu2psx/4oxd4p49s9489+ytnvq1ohampn9swbclfglhefbkiwtr6yufddlg5tb2zv27l5tiuxi0scccdkokskmctlqvdpstivbschikxxctfzwhzgkcn6rhykjettjnkyyasn17uovyu7i0qn0tybe5v7iyk8++nwz2rxlts2zai4snydlkmpr2l9+jhcwek4xq0p1xcfvwqhjttej45kfkziipea90jguo4soydtnmybhrolglkq5xmop+ntjhbklhklojhok+2rem4j/ez1mxxfbipi004tj2unxxqcjpckfrlqsrnnqeiqlnx+fui8kwtpuvziluporf0nztoyafnnwrl/mdrtbatgcfeccc1ah18addydbi3ggr+dnerjerhfryzzaspkdffah1ucpicoymg==</latexit> <latexit sha1_base64="ctucsgl1wbuafk/fjftzs1qay6y=">aaacb3icbvblswmxgmzwv62vvy+cbitqozrdefry9ojxbfua7lky2wwbmk2wjkuu2psx/4oxd4p49s9489+ytnvq1ohampn9swbclfglhefbkiwtr6yufddlg5tb2zv27l5tiuxi0scccdkokskmctlqvdpstivbschikxxctfzwhzgkcn6rhykjettjnkyyasn17uovyu7i0qn0tybe5v7iyk8++nwz2rxlts2zai4snydlkmpr2l9+jhcwek4xq0p1xcfvwqhjttej45kfkziipea90jguo4soydtnmybhrolglkq5xmop+ntjhbklhklojhok+2rem4j/ez1mxxfbipi004tj2unxxqcjpckfrlqsrnnqeiqlnx+fui8kwtpuvziluporf0nztoyafnnwrl/mdrtbatgcfeccc1ah18addydbi3ggr+dnerjerhfryzzaspkdffah1ucpicoymg==</latexit> <latexit sha1_base64="ctucsgl1wbuafk/fjftzs1qay6y=">aaacb3icbvblswmxgmzwv62vvy+cbitqozrdefry9ojxbfua7lky2wwbmk2wjkuu2psx/4oxd4p49s9489+ytnvq1ohampn9swbclfglhefbkiwtr6yufddlg5tb2zv27l5tiuxi0scccdkokskmctlqvdpstivbschikxxctfzwhzgkcn6rhykjettjnkyyasn17uovyu7i0qn0tybe5v7iyk8++nwz2rxlts2zai4snydlkmpr2l9+jhcwek4xq0p1xcfvwqhjttej45kfkziipea90jguo4soydtnmybhrolglkq5xmop+ntjhbklhklojhok+2rem4j/ez1mxxfbipi004tj2unxxqcjpckfrlqsrnnqeiqlnx+fui8kwtpuvziluporf0nztoyafnnwrl/mdrtbatgcfeccc1ah18addydbi3ggr+dnerjerhfryzzaspkdffah1ucpicoymg==</latexit> beszédfelismerés P (sound)! P (word sound)
123
124 Szövegértelmezés P( j m ) m
125 Szövegértelmezés A lány meglátta a fiút a távcsővel j 1 j 2
126 - Elnézést, kártyával lehet fizetni? - Persze
127 - Elnézést, kártyával lehet fizetni? - Persze - Egy ászból és királyból tud visszaadni?
128 - Elnézést, kártyával lehet fizetni? - Persze - Egy ászból és királyból tud visszaadni? humor = téves inferencia felfedezése? [Hurley et al 2011]
129 a látótér határai nem látszanak csak középen látunk élesen (fovea) vakfolt a szakkádoktól nem rázkódik a világ
130 összefoglalás ami érdekel az általában közvetlenül nem megfigyelhető a rejtett állapotok kikövetkeztetésében segít a tapasztalatokat generáló folyamat ismerete ennek megfordítása a likelihood: melyek azok a rejtett állapotok amelyek összeegyeztethetőek a megfigyelésekkel? de ez még nem elég, kell prior is hogy feloldja az empirikus aluldetermináltság problémáját a kettő szorzata a posterior, ami megadja jelenlegi tudásunkat a nem megfigyelt változók értékeinek plauzibilitásáról
131 közelítő inferencia az adat és egy adott hipotézistér mellett a posterior eloszlások a legtöbb amit tudunk mondani viszont ezt sokszor nehéz vagy lehetetlen egzaktul kiszámolni, ezért közelítésekre kényszerülünk pontbecslések sztochasztikus közelítő módszerek (Monte Carlo) mintavételezés aszimptotikusan (végtelen sok ideig futtatva) egzaktak
132 Monte Carlo n=50 n=1000 n=10 e. n=1 mil
133 közelítő inferencia az adat és egy adott hipotézistér mellett a posterior eloszlások a legtöbb amit tudunk mondani viszont ezt sokszor nehéz vagy lehetetlen egzaktul kiszámolni, ezért közelítésekre kényszerülünk pontbecslések sztochasztikus közelítő módszerek (Monte Carlo) mintavételezés aszimptotikusan (végtelen sok ideig futtatva) egzaktak determinisztikus közelítő módszerek pl: variációs Bayes nem kell végtelen sok idő, de sosem egzakt eredmény
134 variational bayes q(z )=N (z ) p(z x) argmin KL(q(z ) p(z x)) this we don t know
135 pontbecslések eloszlás egy szám
136 MAP becslés posterior * 0.7 * 0.5
137 várható érték E[X] = Z X xp(x) dx
138 variancia Var[X] =E[(X E[X]) 2 ]
139 korreláció Cov[X, Y ]=E[(X E[X])(Y E[Y ])] Corr[X, Y ]= Cov[X, Y ] Var[X] Var[Y ]
140 pontbecslések
141 kulcsfogalmak valószínűségi kalkulus eloszlásfüggvény, marginális eloszlás, feltételes eloszlás függetlenség, feltételes függetlenség irányított grafikus modell mintavételezés (sampling) Bayes-i inferencia prior, posterior, likelihood
142 1. házi feladat Készíts generatív valószínűségi modellt, ami autógyártók éves bevételének jóslására használható (más témát is választhatsz). válaszd ki a fontos változókat a változók közötti függetlenségi viszonyok alapján rajzolj grafikus modellt válassz diszkrét vagy folytonos eloszlásokat a szükséges marginálisok és kondicionálisok formájául ( en.wikipedia.org/wiki/list_of_probability_distributions) gondolkodj el rajta, hogy mik azok a feltételezések, amiket beleépítettél a modellbe, de sejthetően nem egyeznek a valósággal
143 2. házi feladat x2 és x5 között terjedhet hatás? hogyan lehetne x1 és x4-et függetlenné tenni?
144 referenciák [Kulkarni et al 2014] Kulkarni, Tejas D., et al. "Inverse graphics with probabilistic CAD models." arxiv preprint arxiv: (2014). [Hurley et al 2011] Hurley, Matthew M., Daniel Clement Dennett, and Reginald B. Adams. Inside jokes: Using humor to reverseengineer the mind. MIT press, McGurk effect (video)
Probabilisztikus 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, 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, 2016 valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0 0.01 1 1 0.04 0 0
RészletesebbenProbabilisztikus modellek II: Inferencia. Nagy Dávid
Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 előző előadás előző előadás az agy modellt épít a világról előző előadás az agy modellt épít a világról
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.
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
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
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
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
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
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:
RészletesebbenEgyü ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny
Együ ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny Szűk elméleti összefoglaló Együttes és vetületi eloszlásfüggvény: X = (X, X, X n ) valószínűségi vektorváltozónak hívjuk. X
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
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
RészletesebbenValó szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny
Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
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
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
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)
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
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.
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
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
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
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
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
Részletesebbeni p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
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,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
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
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.
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok 2. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
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
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
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 Valószínűségi
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
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
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
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
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
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
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
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 =
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
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
RészletesebbenValószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS
Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS 1. Kihasználva a hosszasan elhúzódó jó időt, kirándulást szeretnénk tenni az ország tíz legmagasabb csúcsa közül háromra az elkövetkezendő
RészletesebbenDiszkrét idejű felújítási paradoxon
Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N
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
RészletesebbenMegoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!
MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenEloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény
Karakterisztikus függvény Eloszlások jellemzése Momentumok Karakterisztikus függvény Medián és kvantilis Medián Kvantilis Módusz Hogyan lehetne általánosítani a generátorfüggvényt folytonos okra? Karakterisztikus
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenKözlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta
Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
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
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
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
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika 1.3 Intézet Magyar Matematika és Informatika 1.4 Szakterület
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
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
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
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
RészletesebbenValószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
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.
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenOsztályozóvizsga követelményei
Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenMonte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
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
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
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenValószínűségi hálók. Mesterséges Intelligencia - MI. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Mesterséges Intelligencia - MI Valószínűségi hálók Előadó: Hullám Gábor Pataki Béla Előadás anyaga: Dobrowiecki
RészletesebbenMatematika III. harmadik előadás
Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)
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
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
Részletesebben3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy
Valószínűségszámítás. zárthelyi dolgozat 009. október 5.. Egy osztályba 3-an járnak. Minden fizikaórán a a többi órától függetlenül a tanár kisorsol egy felelőt, véletlenszerűen, egyenletesen, azaz mindig
RészletesebbenGazdasági matematika II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy
Részletesebben1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos?
Valószínűségszámítás, földtudomány alapszak, 2015/2016. őszi félév 1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos? 2. Két tizenhárom fős vízilabdacsapat mérkőzik
Részletesebben