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 
  1. SucheSuchen         
  2. SoSe 2024
  3. Hilfe
  4. Sitemap
Switch to english language
Startseite    Anmelden     

Bayesian Networks - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3105 Kurztext
Semester SoSe 2018 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/bn-18w/index.html Evaluation
Sprache englisch
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
Mo. 10:00 bis 12:00 c.t. wöchentlich Gebäude A (Samelson-Campus) - SC.A.0.09 (Großer Seminarraum) Raumplan        
Gruppe 1-Gruppe:
Termine Gruppe: Klausur 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
Fr. 10:00 bis 12:00 s.t. Einzeltermin am 03.08.2018 Gebäude E (Hauptcampus) - HC.E.0.Hörsaal 3 Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
SoSe 2018 01 Schmidt-Thieme, Lars 03.08.2018 Klausur 15.06.2018 VERBINDLICH 16.07.2018 VERBINDLICH
SoSe 2018 02 Schmidt-Thieme, Lars 09.10.2018 Klausur 24.09.2018 VERBINDLICH 01.10.2018 VERBINDLICH WiSe 2018/19: Nachschreibeklausur BN


Zugeordnete Personen
Kontaktpersonen (durchführend) Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich und durchführend
Jawed, Shayan verantwortlich und durchführend
Rashed, Ahmed , M.Sc. verantwortlich und durchführend
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Bachelor B.Sc. I M I T
Bachelor B.Sc. IMIT Studienvar. AI
Bachelor B.Sc. Wirtschaftsinformat
Master M.Sc. Data Analytics
Master M.Sc. IMIT Studienvar. AI
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf.
LSF - Module
Modulkürzel Modultitel
MIT-VBNets Bayessche Netze
0ERA-3LP Veranstaltungen mit 3 Credits f. ausl. Programmstud. (ERASMUS)
Zuordnung zu Einrichtungen
Inst. für Informatik
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 - MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2018 , Aktuelles Semester: SoSe 2024
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit