Házi feladatok

Minden házifeladattal kapcsolatos, nem adminisztratív kérdést (például a nagy HF konzultációjával kapcsolatban) kérném, hogy a következő email címre küldjetek: pdss20@googlegroups.com

 
A nagy házifeladat
 
A nagy házifeladat leírása itt található és itt a hozzá tartozó előadás, amelyek tartalmazzák a ZH pótlására szolgáló házifeladatrész leírását is. 
 
Témaválasztás jelölése itt.
 
A ZH kiváltására szolgáló HF részhez javasolt programozási környezethez segédlet és kiindulási anyag:
 
Modell és dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.

Határidő: május 13. 24.00. (A ZH különböző tejlesítési módjainak egységes határideje miatt előre hozva az év elején tervezett május 18-ról)  

6. "kis" gyakorlati feladat: A következtetés feltéleleinek vizsgálata általános Bayes-hálókban 
 
A paraméterek specifikálása nélkül hozzunk létre egy többszörösen összekötött, viszonylag nagyobb méretű (20< csomópontú) Bayes-háló struktúrát, ideálisan a készülő nagy HF modelljének egy csak struktúrális kiterjesztését (a kiterjesztéshez használt változók értékkészlete is lehet egy kényelmes választás, például bináris).
 
Jelemezzük a modellben az egyes változókhoz tartozó  Markov takarók elemszámát a minimum, maximum, átlag és hisztogram kiszámolásával.
 
BayesCube-ban vizsgáljuk meg az egzakt következtetéshez konstruált "kikkek fáját", pontosabban a következtetés nehézségét jelentő klikkek ("mega-csomópontok") méretének átlagát és maximumát. Vizsgáljuk meg a maximális kllikkméret változását, ha megtartjuk a struktúra többszörös összekötöttségét, de a struktúrát 2-3(-4..) éltörléssel egyszerűsítjük egy fagráf irányába. 
 
Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/. 

 

Határidő: május 11. 24.00. 

5. "kis" gyakorlati feladat: Bayes-hálók használata programozási környezetben

A pomegranate Python könyvtárat használva vizsgáljuk meg egy valószínűségi következtetés érzékenységét további információk felhasználása esetén. Formálisan:

  • válasszunk egy korábbi HF-ban BayesCube-ban létrehozott Bayes-hálót

    • és hozzuk létre annak pomegranate-beli modelljét

  • válasszunk

    • egy lekérdezni kívánt Q=q változóértéket

    • egy 1-2 változóra vonatkozó E=e evidenciahalmazt

    • egy 2-3 további információs változókat jelölő halmazt

  • a pomegranata következtetési függvényét használva

    • számítsuk ki p(Q=q|E=e) feltételes valószínűséget

    • kimerítő kereséssel keressük meg

      • imin=arg mini p(Q=q|E=e,I=i)-t, azaz azt a további információs helyzetet, amelyben a kérdéses következtetés eredménye minimális,

      • imax=arg maxi p(Q=q|E=e,I=i)-t, azaz azt a további információs helyzetet, amelyben a kérdéses következtetés eredménye maximális.

Beadandó: a forrás, preferáltan a silabuszban szereplő Google Colab módosítása, öntartalmazó dokumentációval ZIP-ben a tanszéki HF portálon: https://hf.mit.bme.hu/.

Szorgalmi feladat (+2 kis HF "jegy", azaz 5+2 elérhető osztályzat): ellenőrízzük, hogy a p(q|e,i)-k kimerítő keresésben végzett megfelelő összegzésével p(q|e) kiadódik.

Határidő: április 27. 24.00.

Segédlet és háttéranyag (amely javasolt kiindulásként és saját kópiája szabadon módosítható és felhasználható a HF megoldásaként):

Pomegranate colab (PDF).

 
4. "kis" gyakorlati feladat: kiterjesztett Bayes-háló konstruálása
 
Terjesszünk ki egy korábbi HF-kben létrehozott Bayes-hálót vagy hozzunk létre egy olyan Bayes-hálót, amely lokális modelleket használ, mint például a Noisy-OR vagy döntési fa/gráf. További lehetőség az osztott paraméterek használata, mint egy homogén Rejtett Markov Modellben vagy Dinamikus Bayes-hálókban.
 
A szabad paraméterek csökkenésén keresztül mutassa be kvantitatívan is a speciális Bayes-hálózatok előnyét!

Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.

Határidő: április 14. 24.00.

3. "kis" gyakorlati feladat: Naív Bayes-háló alapú döntési háló építése
 
A feladatban egy 3-5 csomópontú Naív Bayes-háló döntési hálóvá történő kiterjesztését kell elkészíteni egy Akció csomópont és egy Veszteség (vagy Hasznosság) csomópont beillesztésével. Javasolt bináris akciók használata és 2 argumentumú veszteség/hasznosság függvény használata, azaz 2 szülő a Veszteség/Hasznosság csomópontnál. További javasolt egyszerűsítés, hogy veszteség esetén csak a félreosztályozási hibák nem 0 értékűek.
Ezen modell mellett mutassunk példát olyan evidenciákra, amikor az egyik majd a másik döntés optimális (azaz minimális várható veszteségű). A példákat akár egy Naiv Bayes-hálóbeli vagy általános Bayes-hálóbeli valószínűségi következtetésekkel és az adott döntésekhez tartozó várható veszteség analitikus számításával is egészítsük ki!
 
Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.
 
Határidő: március 23. 24.00. (oktatási szünet ellenére javaslom ezt tartsuk be)
 
Az elméleti háttér alapvető fogalmai itt érhetőek el, például egy akció várható vesztesége/hasznossága:
 
itt a döntési hálók elemei:
 
és itt a döntési hálók építésének tudásmérnöki folyamata:
 

2. "kis" gyakorlati feladat: Rejtett Markov Modellek.

A feladat leírása a gyakorlati anyag végén is megtalálható, ide is kimásolva:

Feladatok:

1. Végezzük el a szimulációt hosszabb dobássorozatokra is.

2. Vizsgáljuk meg a modell paramétereinek hatását az eredményekre (állapotátmenetvalószínűségek, kibocsátási valószínűség-eloszlás, prior állapot-valószínűségek).

3. Egészítsük ki az ábrát, hogy ne csak a Valódi pénzérme állapot poszterior valószínűségét, hanem az adott időpontban a legvalószínűbb állapotot is megjelenítse! Figyeljük meg, hogy ez hogyan különbözik a Viterbi útvonaltól, illetve a szimulált állapotoktól. Melyik közelíti jobban a valóságot? Számszerűsítsük a különbségeket (viterbi vs. szimulált) <=> (legvalószínűbb állapotok sorozata vs. szimulált)!

4. Módosítsuk a modellt, hogy három pénzérme feldobását modellezze, amelyből kettő hamis (az egyik gyakrabban eredményez fejet, a másik pedig írást). Módosítsuk az ábrát a modellnek megfelelően.

5. (* Készíts egy rejtett Markov modellt egy általad választott problémára. Vizsgáld meg és demonstráld a modell működését. )

Elméleti felkészüléshez szakirodalom:

https://mialmanach.mit.bme.hu/aima/ch15s03

Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.

Határidő: március 9. 24.00.

1. "kis" gyakorlati feladat: Naív Bayes-háló építése.

A feladatban egy 3-5 csomópontú bináris változókkal rendelkező Naív Bayes-hálót kell elkészíteni egy tetszőleges területen és demonstrálni rajta a Bayes szabályhoz tartozó diagnosztikai következtetést egyre több evidenciát léptetve be a következmény változókon. A dokumentáció mutassa be a szoftver számításainak az ellenőrzését a megfelelú Bayes szabály szerinti egyenletekkel..

Modell és 2 oldalas dokumentáció ZIP-beli beadása a tanszéki HF portálon: https://hf.mit.bme.hu/.

Határidő (hosszabbítva): február 24. 24.00.

Elméleti felkészüléshez szakirodalom:

https://mialmanach.mit.bme.hu/aima/ch13s06

Gyakorlati felkészüléshez:

http://bioinformatics.mit.bme.hu/ honlapon a Tools lapon.

BayesCube kézikönyv

BayesCube XP/Win7/Win8, LINUX és Macintosh verziók

WIN10 esetében LINUX virtuális gép futtatását javasoljuk, amelyben a LINUX verzió használható!

Javasolt modellek:

Autóvezetői fáradtság modellezése

Fake news modellezése

SPAM model (Tanszéki SPAM statisztika)

© 2010-2020 BME MIT | Hibajelentés | Használati útmutató