Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Dynamické rozhodování

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
01DYR ZK 3 3+0 česky
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra matematiky
Anotace:

Tento kurz vede k pochopení dynamického rozhodování za neurcitosti a s ním spjatych nástroju. Student se naucí formulovat rozhodovací problém a resit jej. Kurz uvádí téz základy plne pravdepodobnostního návrhu, ktery netriviálne rozsiruje standardní bayesovské rozhodování. Kurz poskytuje uceleny pohled na stochastickou filtraci a dynamické programování spolecne s realizovatelnou konstrukcí potrebnych pravdepodobnostních prvku vcetne tech potrebnych pri rozhodování s vice úcastníky. Látka kurzu je ilustrována príklady reálného vyuzití.

Požadavky:

Kurz je vhodny pro studenty magisterského a doktorandského studia zamerené na vyzkum a vyvoj v oblastech vyuzívajících dynamické rozhodování nebo tomuto rozhodování slouzících, napríklad, stochastické a adaptivní rízení; optimalizace; ucení; umelá inteligence; detekce a izolace poruch; rozpoznávání a jiné. Studenti mající velmi rozmanity základ (zahrnující prírodní a sociální vedy, inzenyrské obory, ekonomii atd.) jsou vítáni.

Osnova přednášek:

Cást 1 - Základní teorie: Uvod do rozhodování; obecné konvence a pojmy; usporádání chování; úplné usporádání strategií; pocítání s hustotami pravdepodobnosti a ocekávanymi hodnotami; chování a jeho cásti; rozclenení rozhodovací úlohy. Cást 2- Bayesovské rozhodování: Základní rozhodovací lemma; návrh dynamického rozhodování; bayesovská filtrace a odhadování; limitní chování návrhu a odhadování Cást 3- Plne pravdepodobnostní návrh (PPN) a jeho prvky: Motivace a resení; obecny PPN; PPN a tradicní návrh; volba ponech osudu; aproximace hustot pravdepodobnosti; princip minimální Kullback-Leiblerovy divergence; rozsírení nepravdepodobnostní znalosti; kombinace neúplne slucitelnych hustot pravdepodobnosti; potreba aproximace a mozná resení. Cást 4 - Praktické aspekty: Realizovatelné a priblizné ucení a návrh; prvky rozhodování a základní typy rozhodovacích úloh; odhadování v exponenciální rodine; ekvivalencní prístup; odhadování se zapomínáním; realizovatelny a priblizny návrh; suboptimální návrh; strategie se zjednodusenymi modely a prostory optimalizace; kvantifikace znalostí a preferencí. Cást 5 - Rozhodování s mnoha nedokonalymi úcastníky: Uvod do problematiky; nedokonalost úcastníku; spjaté úlohy; spolupráce v rámci PPN.

Osnova cvičení:

Introduction to Multi-participant DM; Participants' Imperfectness; Related Tasks; Cooperation within FPD.

Cíle studia:
Studijní materiály:

M. Karny, J. Bohm, T.V. Guy, L. Jirsa, I. Nagy, P. Nedoma, and L. Tesar. Optimized Bayesian Dynamic Advising: Theory and Algorithms. Springer, London, 2006. M. Karny and T.V. Guy. Fully probabilistic control design. Systems & Control Letters, 55(4), 2006. M. Karny and T.V. Guy. On support of imperfect bayesian participants. In: T.V. Guy, M. Karny, and D.H. Wolpert, Eds, Decision Making with Imperfect Decision Makers, volume 28, Springer, Berlin, 2012. M. Karny and T. Kroupa. Axiomatisation of fully probabilistic design. Information Sciences, 186(1), 2012.

Poznámka:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 28. 5. 2020
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet23926405.html