Verwaltungsinformationen
| Titel | Entscheidungsnetze |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
Naive bayesische Netzwerke, bayesische Netzwerke, Entscheidungsnetzwerke, Maximalexp-Nützlichkeitsprinzip,optimale Entscheidung, probabilistische Inferenz, Wert von Informationen,
Lernziele
- Naive bayesische Netzwerke
- Bayesische Netzwerke
- Entscheidungsnetze
- Die Studierenden können eine multivariate gemeinsame Verteilung definieren: multinomial und Gaussisch
- Schüler können den Unterschied zwischen Assoziation und Kausalität erklären
- Schüler können beobachtende, kausale und kontrafaktische Inferenz definieren
- Studierende können Fairness mit Beobachtungs- und kontrafaktischen Argumentation definieren
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Wahrscheinlichkeit (z. B. aus AIMA4e oder Wikipedia)
- Grundbegriffe der Wahrscheinlichkeitstheorie
- multivariate gemeinsame Wahrscheinlichkeitsverteilungen, Kettenregel
Optional für Studenten
- Künstliche Intelligenz: Ein moderner Ansatz, 4. Global ed. von Stuart Russell und Peter Norvig, Pearson (AIMA4e):ch16-17
Referenzen und Hintergründe für Studierende
- AIMA4e:ch16-17
Empfohlen für Lehrer
- AIMA4e:ch16-17
- Charniak, E., 1991. Bayesische Netzwerke ohne Tränen. AI-Magazin, 12(4), S. 50-50.
- Pearl, J., 2019. Die sieben Werkzeuge der kausalen Inferenz, mit Reflexionen über maschinelles Lernen. Mitteilungen des ACM, 62(3), S. 54-60.
Unterrichtsmaterialien
Anleitung für Lehrer
- Erinnerung: Rahmen eines einstufigen Entscheidungsproblems, Elemente (Aktion, Unsicherheit, Nutzen/Verlust), maximal erwarteter Nutzenprinzip
- Erinnerung: probabilistische grafische Modelle, kausale Diagramme
- Definieren Sie Elemente eines Entscheidungsnetzwerks: Zufall, Aktion, Utility/Verlust-Knoten
- Workflow erklären: Evidenz, Handlungen, probabilistische Inferenz, Erwartungen, Maximierung des Handelns
- Beispiel
- Diskutieren Sie den Wert von Informationen
Gliederung/Zeitplan
| Dauer | Beschreibung |
|---|---|
| 10 | Multivariate Gelenkverteilung: multinomial und Gaussisch |
| 5 | Unterschied zwischen Assoziation und Kausalität |
| 15 | Allgemeine bayesische Netzwerke |
| 15 | Beobachtungs-, Kausal- und kontrafaktische Inferenz |
| 15 | Beispiel: Definition von Fairness mittels Beobachtungs-, Kausal- und kontrafaktischer Argumentation |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.