Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     

Bayessche Netze - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung Co-finanziert aus Studienbeiträgen N
Veranstaltungsnummer 3258 Kurztext
Semester WiSe 2013/14 SWS 3
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 8
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/bn-13w/index.html Evaluation Ja (als gesamte Veranstaltung - online)
Sprache deutsch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Di. 08:00 bis 10:00 c.t. Einzeltermin am 26.11.2013 Gebäude C (Samelson-Campus) - C 213 (Seminarraum) Raumplan        
Einzeltermine anzeigen
iCalendar Export
Di. 08:00 bis 10:00 c.t. wöchentlich Gebäude B (Samelson-Campus) - B 026 (Seminarraum) Raumplan       26.11.2013:  Ausfallbemerkung nur nach dem Einloggen sichtbar.
Einzeltermine anzeigen
iCalendar Export
Mi. 08:00 bis 10:00 c.t. Einzeltermin am 27.11.2013 Gebäude B (Samelson-Campus) - B 126 (PC-Pool Innovation Lab Betriebswirtschaft und Wirtschaftsinformatik) Raumplan        
Einzeltermine anzeigen
iCalendar Export
Mi. 08:00 bis 10:00 c.t. wöchentlich Gebäude B (Samelson-Campus) - B 026 (Seminarraum) Raumplan       27.11.2013:  Ausfallbemerkung nur nach dem Einloggen sichtbar.
Gruppe 1-Gruppe:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
WiSe 2013/14 01 25.02.2014 Klausur 20.01.2014 24.02.2014 VERBINDLICH 24.02.2014 VERBINDLICH


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich und durchführend
Schilling, Nicolas , Dipl. Math. nicht durchführend, nicht verantwortlich
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. (PO 2011)
LSF - Module
Modulkürzel Modultitel
MIT-VBNets Bayessche Netze
0ERA-8LP Veranstaltungen mit 8 Credits f. ausl. Programmstud. (ERASMUS)
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur

Christian Borgelt and Rudolf Kruse. Graphical Models. Wiley, New York, 2002.

B. G. Buchanan and E. H. Shortliffe. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Wiley, New York, 1984.

Enrique Castillo, José Manuel Gutiérrez, and Ali S. Hadi. Expert Systems and Probabilistic Network Models. Springer, New York, 1997.

Richard O. Duda, Peter E. Hard, and N. Nilsson. Subjective bayesian methods for rule-based inference systems. In Proceedings of the 1976 National Computer Conference (AFIPS), volume 45, pages 1075–1082, 1976.

Finn V. Jensen. Bayesian networks and decision graphs. Springer, New York, 2001.

Richard E. Neapolitan. Probabilistic Reasoning in Expert Systems: Theory and Algorithms. Wiley, New York, 1990.

Richard E. Neapolitan. Learning Bayesian Networks. Prentice Hall, 2003.

Bemerkung

Gebiet: IMIT & WI und KI + ML (MSc)

Turnus: jedes 5. Semester

Lerninhalte

Bayessche Netze sind eine sehr flexible Modellklasse des Data Mining (aber auch der angewandten Statistik). Sie dienen der Erfassung der probabilistischen Abhängigkeit zwischen Variablen und können - im Gegensatz zu einem reinen Vorhersage-Modell wie etwa einem Entscheidungsbaum - zur Vorhersage wechselnder und zusammengesetzter Zielgrößen verwendet werden. In einem Bayesschen Netz werden Abhängigkeiten zwischen Variablen mittels eines Graphen und die genaue Form der Abhängkeit mittels bedingter Wahrscheinlichkeiten dargestellt.

Die Vorlesung gibt eine Einführung in Bayessche Netze. Ausgehend von der prinzipiellen Modellierung von Einflüssen und bedingten Wahrscheinlichkeiten werden Algorithmen für die exakte und näherungsweise Inferenz (Propagation von Evidenz), die Analyse bayesscher Netze (wahrscheinlichste Erklärung), das Lernen von Parametern sowie das Lernen der Struktur behandelt.

Algorithmen für Inferenz und das Lernen bayesscher Netze greifen i.d.R. auf Graphen-Algorithmen zurück, sowohl auf weit verbreitete Verfahren wie topologische Sortierung und Zusammenhang-Überprüfung, als auch auf speziellere Verfahren wie das Aufzählen von Cliquen etc. Um die Vorlesung möglichst unabhängig zu halten, werden alle benötigten Algorithmen auch in der Vorlesung vorgestellt.

Zielgruppe

Studierende des Masterstudiengangs Informationsmanagement und Informationstechnologie & Wirtschaftsinformatik


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2013/14 , Aktuelles Semester: WiSe 2018/19
Impressum      Datenschutzerklärung     Datenschutz