Kauzální odvozování a bayesovské sítě

Vztahy:

Předmět B4M36KOB může při kontrole studijních plánů nahradit předmět B4M36SMU

Předmět B4M36KOB nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B4M36SMU (vztah je symetrický)

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra počítačů

Anotace:

Požadavky:

Základem výuky jsou přednášky, které uvádějí studující do teoretických konceptů a metod, doplněné cvičeními v nichž

studující řeší jednak teoretické úkoly určené k prohloubení pochopení látky, a jednak praktické úkoly na reálných datech.

Studující jsou aktivizování především domácími úkoly v podobě několika menších projektů, které řeší buď jednotlivě,

nebo v malých týmech a jejichž řešení prezentují v rámci cvičení, dále pak zpětnou vazbou v průběhu semestru.

Osnova přednášek:

1. Opakování teorie pravděpodobnosti. Podmíněná nezávislost, Bayesovské sítě, d-separace.

2. Problémy inference v Bayesovských sítích (marginální a podmíněná inference, problémy MPE a MAP a jejich výpočetní složitost (včetně seznámení se s některými méně známými relevantními třídami výpočetní složitosti).

3. Deterministické algoritmy pro inferenci v Bayesovksých sítích I.

4. Deterministické algoritmy pro inferenci v Bayesovksých sítích II.

5. Přibližné algoritmy pro inferenci v Bayesovských sítích I.

6. Přibližné algoritmy pro inferenci v Bayesovských sítích II.

7. Kauzalita - proč?

8. Strukturní kauzální modely jako Bayesovské sítě.

9. Intervence v kauzálních modelech, operátor do. Adjustment formula a kritéria front-door a back-door. Vážení pomocí inverzní pravděpodobnosti.

10. Lineární kauzální modely.

11. Kontrafaktuály I.

12. Kontrafaktuály II.

13. Automatické objevování kauzální struktury I.

14. Automatické objevování kauzální struktury II.

Osnova cvičení:

Témata cvičení kopírují témata přednášek.

Cíle studia:

Cílem předmětu je: (i) seznámit se s metodami reprezentace distribucí pravděpodobnosti pomocí Bayesovských sítí a

s algoritmy pro inferenci v nich, (ii) seznámit se s metodami kauzální analýzy, které stavějí právě na formalismu

Bayesovských sítí. První část kurzu se soustředí na nejdůležitější pojmy z teorie Bayesovských sítí, dále na exaktní

deterministické algoritmy a přibližné pravděpodobnostní algoritmy pro inferenci. Druhá část kurzu se pak zaměřuje na

metodyprokauzálníanalýzudatzaloženounakauzálníchBayesovskýchsítích.Nakoncikurzusestudujícírovněžseznámí

s metodami pro automatické objevování kauzálních struktur z dat.

Po absolvování předmětu budou studující schopni využívat Bayesovské sítě jako modely distribucí pravděpodobnosti,

znát nejdůležitější inferenční problémy a jejich výpočetní složitost a budou schopni řešit je vhodnými algoritmy. Dále

budou schopni provádět základní kauzální analýzu a zároveň si budou vědomi praktických a teoretických omezení těchto

metod.

Studijní materiály:

Koller, Daphne, and Nir Friedman. Probabilistic graphical models: principles and techniques. MIT press, 2009.

Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons,

2016.

Poznámka:

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Otevřená informatika - Bioinformatika 2018 (povinný předmět oboru)
• Otevřená informatika - Umělá inteligence 2026 (povinně volitelný předmět)
• Otevřená informatika - Datové vědy 2026 (PS)