SEDS 533
Olasılıksal Çıkarsama
Çizgesel Olasılık Modelleri. Bayes Çıkarsaması. Bayes Ağları. Bayes Ağlarında Öğrenme. Bilgi Mühendisliği. Zamansal Modeller. Dinamik Bayes Ağlarında Çıkarsama. Markov Karar Verme Süreçleri.
Dersin Amacı
Bu ders kapsamında belirsizliğin modellenmesi ve belirsizlik altında karar verme sürecinde karşılaşılan sorunlarda kullanılabilecek olasılıksal çıkarsamaya dayalı çözüm yaklaşımları tartışılmaktadır.
Kaynakça
Learning Bayesian Networks; Richard E. Neapolitan, Prentice Hall, 2003. ,Bayesian Artificial Intelligence; Kevin B. Korb, Ann E. Nicholson; Chapman & Hall/CRC, 2004. ,Probabilistic Reasoning in Intelligent Systems (2nd Edition); Judea Pearl; Morgan Kaufmann Publishers Inc., 1988.
Öğrenim Çıktıları
1. Belirsizlik kavramı öğretmek
2. Çizgesel olasılıksal modelleri öğretmek
3. Bayes ağlarında çıkarsama ve öğrenmenin kavratılması
4. Bayes ağları temelli uygulama geliştirmek
| Hafta | Konu |
|---|---|
| 1 | Giriş |
| 2 | Olasılıkta çizgesel modeller |
| 3 | Belirsizliklerin olduğu bir ortamda bilginin temsil edilmesi |
| 4 | Bayes çıkarsaması |
| 5 | Bayes ağlarında çıkarsama |
| 6 | Vize |
| 7 | Bayes ağlarında öğrenme |
| 8 | Bilgi Mühendisliği |
| 9 | Bayes ağlarında çeşitli uygulamalar |
| 10 | Zaman bazlı modeller |
| 11 | Dinamik Bayes Ağlarında Çıkarsama |
| 12 | Markov Karar Verme Süreçleri |
| 13 | Kısmen gözlemlenebilen Markov karar verme süreçleri |
| 14 | Proje Sunumları |
Notlandırma
Vize: %40
Ödev: %10
Final: %50