Bayesian Reasoning and Learning

Veel Artificial-Intelligence-systemen moeten op een of andere manier kunnen omgaan met onzekerheid. Deze cursus behandelt een aantal van de belangrijkste technieken om onzekerheid in de vorm van kansverdelingen te representeren, te redeneren met kansmodellen, en deze kansmodellen te leren uit data. Gangbare modellen zijn zogeheten ‘probabilistische grafische modellen’ en daaronder vallen varianten als hidden Markov models, Bayesiaanse netwerken, en ook besliskundige modellen als influence diagrams. Deze modellen zijn veel toegepast in andere wetenschapsgebieden, zoals de geneeskunde en biologie.

Naast statistische modellen zal deze cursus ook causale modellen behandelen. Veel relevante vragen voor agents zijn causaal van aard, bijvoorbeeld: wat is het effect van een actie? Ook in de wetenschap zijn de belangrijke vragen causaal, bijvoorbeeld: welke bijwerkingen worden veroorzaakt door een geneesmiddel? In recente jaren zijn er methoden ontwikkeld om te kunnen redeneren met causale kennis, en dit soort kennis zelfs te leren uit eerder verzamelde data.

De cursus bevat een combinatie van theorie en praktische toepassing. Het theoretische gedeelte wordt getoetst door middel van een digitaal groepstentamen met open vragen. Daarnaast bevat de cursus opdrachten waarin vanuit een meer praktisch perspectief Bayesiaanse netwerken worden toegepast.

Leerdoelen
Na afronding van deze cursus kun je:
- een gemotiveerde keuze maken om probabilistische principes toe te passen voor leren en redeneren met onzekerheid,
- de juiste statistische en causale conclusies trekken uit een causaal model,
- het verschil tussen statistische en causale inferentie toepassen om resultaten uit machine learning modellen op een verantwoorde manier te rapporteren,
- algoritmen en eigenschappen van algoritmen voor het redeneren met kansverdelingen en het leren uit data benoemen, en daarover redeneren teneinde een geschikte oplossing te vinden voor een probleemstelling,
- probabilistische grafische modellen gebruiken om sequentiële beslisproblemen te representeren en op te lossen,
- moderne wetenschappelijke literatuur rond probabilistische en causale modellen begrijpen en relateren aan de belangrijkste concepten in dit vakgebied,
- moderne softwaretools gebruiken om Bayesiaanse netwerken praktisch toe te passen.