Inhalte

Probability theory is a powerful tool for inferring the value of missing variables given a set of other variables. As the number of variables in a system increases, the joint probability distribution over these variables becomes overwhelmingly large. In this lecture we examine the implications of factoring one large joint probability distribution into a set of smaller conditional distributions and study suitable algorithms for inference.

The main aspects of this lectrue are:

• Probability theorie
• DAGs and Bayesian Networks
• Discrete inference
• Inference with continuous random variables
• Approximate inference with sampling
• Learning Bayesian Networks from data

Hinweis: Diese Vorlesung kann nur noch im Master eingebracht werden.

Übungen

Es erscheint wöchentlich ein Übungsblatt zu den behandelten Vorlesungsinhalten. Jedes Übungsblatt wird in der Globalübung der folgenden Woche besprochen. Es gibt keine Abgabe / Korrektur von Übungsblättern.

Literatur

• Hauptreferenz: Richard E. Neapolitan. Learning Bayesian Networks. Prentice Hall Series in Artifical Intelligence, 2004. ISBN 0-13-012534-2

• Daphne Koller, Nir Friedman. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009. ISBN 978-0262013192