392216 Einführung in Probabilistische Graphische Modelle (V) (WiSe 2010/2011)

Graphical models sind eine Mischung aus Wahrscheinlichkeitstheorie und
Graphentheorie. Derartige Modelle bieten einen sehr natürlichen Zugang
zum Umgang mit Unsicherheit und Komplexität in vielen Problemfeldern.
Einsatzgebiete erstrecken sich von Mustererkennung (Sprache, Bilder,
Bioinformatik, etc.), über medizinische Anwendungen (Diagnose) bis zu
Hilfsassistenten in Betriebssystemen (Was will der Benutzer
eigentlich?). In der Vorlesung werden wir uns die Grundlagen
erarbeiten, auf denen die verschiedenen Ausprägungen von graphical
models (Hidden-Markov-Modelle, Bayes'sche Netzwerke,
Markov-Random-Fields, etc.) basieren. Dabei liefert die Theorie der
graphical models eine einheitliche Betrachtungsweise auf die Probleme
der Inferenz (Schlussfolgern) und des Parameterlernens, die teilweise
auch auf (teil-)kontinuierliche Modelle, wie z.B. PCA oder
Kalman-Filter, ausgedehnt werden kann. Auf das Lernen der Struktur
wird am Beispiel der Bayes'schen Netzwerke ebenfalls kurz eingegangen.
Ein weiterer Schwerpunkt der Vorlesung liegt darin, die Art und Weise
der Problemmodellierung mit graphical models zu verstehen. Dies wird
anhand von verschiedenen Beispielen aus den Gebieten Computer-Sehen,
Spracherkennung, Bioinformatik und Diagnose diskutiert.

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Vorkenntnisse auf den Gebieten Mustererkennung, Musteranalyse oder
maschinellem Lernen sind hilfreich.

Literaturangaben

• Lauritzen, Steffen L.: Graphical models, Oxford : Clarendon Press , 2002.
• Jordan, Michael I. (ed.): Learning in graphical models, Cambridge,

Mass. [u.a.] : MIT Press , 1999.

• Jensen, Finn V.: Bayesian networks and decision graphs, New York [u.a.] :

Springer , 2001.

• Pearl, Judea: Probabilistic reasoning in intelligent systems: networks of

plausible inference, San Mateo, Calif. : Morgan Kaufmann , 1989.

• MacKay, David J. C.:Information theory, inference, and learning algorithms,

Cambridge [u.a.] : Cambridge Univ. Press , 2005.

• Fink, Gernot A.: Mustererkennung mit Markov-Modellen : Theorie, Praxis,

Anwendungsgebiete, Wiesbaden : Teubner , 2003.

• Bishop, Christopher M.: Pattern Recognition and Machine Learning, Springer,

2007.

• Weitere Literatur wird in der Vorlesung bekanntgegeben.

Externe Kommentarseite

http://www.zfl.uni-bielefeld.de/studium/module/techfak/modulhandbuch/#probabilistische_graphische_modelle