Valószínűségi gráfos modellek felhasználása a mesterséges intelligenciában

Konzulensek: Antal Péter, Hullám Gábor, Millinghoffer András

A valószínűségi gráfos modellek a mesterséges intelligencia, a gépi tanulás és a döntéselmélet általános, alapvető eszközeivé váltak, mint például a Bayes-hálózatok vagy a Markov-hálózatok (lásd például a munkacsoportunk által fejlesztett BayesCube eszközt, http://bioinfo.mit.bme.hu/ ).

 

Valószínűségi gráfos modellek továbbfejlesztése

A valószínűségi gráfos modellek kiterjesztésének jelenlegi irányai például az oksági relációk részletes jellemzése, a környezetfüggő függetlenségek reprezentálása, a jövőbeli információ hasznának hatékony megbecslése, magyarázatgenerálás, illetve bayesi  megközelítésben modellek sokaságának hatékony kezelése.

A témalabor folyamán lehetőséget biztosítunk a valószínűségi gráfos modellek általános megismerésére és a fentebbi kutatásokhoz tartozó módszerek megvalósítására, nevezetesen például a következő feladatok esetében:

  • oksági relációk részletes jellemzése, “kényszerített” élek és “zavarásmentes” élek azonosítása,
  • magyarázatgenerálás,
  • a jövőbeli információ hasznának hatékony megbecslése,
  • modellek, környezetfüggő függetlenségek és átfogó modelltulajdonságok hatékony reprezentálása bayesi  megközelítésben.

Megismerhető eszközök és területek:

  • Nyelvek: C, R, Python
  • Területek: Genetikai méréstechnikák, bioinformatika, kemoinformatika, gyógyszerkutatás, biostatisztika, orvosi szakértői rendszerek, orvosi döntéstámogatás.

Kutatási projektjeink:

  • Bayesian, systems-based methods for analyzing large health data sets,
  • Decision Support and Intelligent Automation of Next-Generation Sequencing Workflows,
  • Depression, diet and co-morbid disorders (UK Biobank, 1602),
  • Ageing with elegans: discovering molecular pathways underlying healthy ageing for prevention, diagnosis, and treatment (EU/H2020).

Általunk fejlesztett eszközök:

 

Nagyteljesítményű számítási módszerek a mesterséges intelligenciában

A témalabor során a cél, hogy több hallgató közösen együttműködve valósítson meg egy a fenti kihívásoknak megfelelő munkafolyamat-rendszert, a következő részfeladatok megvalósításával:

  • Nagy mennyiségű és számítási igényű adathalmazok feldolgozása elosztott számítási környezetben, azaz a teljes számításhalmaz részfeladatokra (job-ok) bontása, a job-ok futtatásának koordinálása, valamint az eredmények összegyűjtése és összefésülése (aggregálása).
  • Egy-egy futó számításhalmaz előrehaladásának monitorozása és az ezzel kapcsolatos adminisztrátori feladatok megvalósítása.
  • A lefutott számítások eredményeinek megjelenítse.

A fenti témákhoz az alkalmazási környezetet genotipizálási mérések és az ezekre támaszkodó betegség-gén asszociációs számítások jelentik (ezekkel a hallgatóknak csak érintőlegesen érdemes megismerkedniük); a témalaborok során az alábbi technológiákkal kapcsolatos ismeretek szerezhetők:

© 2010-2021 BME MIT | Hibajelentés | Használati útmutató