Adminisztratív információk
| Cím | Döntéselmélet |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Előadás |
| Fókusz | Technikai – A mesterséges intelligencia alapjai |
| Téma | A mesterséges intelligencia alapjai |
Kulcsszó
konzekvencializmus, szubjektivizmus, valószínűségelmélet, hasznosságelmélet, döntéselmélet, optimális döntés, korlátolt racionalitás, kielégítőség, kognitív elfogultság, hatékony önzetlenség, off-switch játék, szekvenciális döntések, információérték, többkarú bandita, felfedezés-kizsákmányolás dilemma,
Tanulási célok
- A tanuló megismerkedik a nem kvantitatív és kvantitatív etikai megközelítésekkel
- a diákok meghatározhatják és kiszámíthatják az optimális döntéseket az egyivariátus disztribúciók és a hasznos/veszteség függvények segítségével
- a diákok megismerhetik a döntési hálózatok elemeit: sztochasztikus/intézkedés/hasznossági csomópontok
- a diákok megismerhetik és alkalmazhatják a Bayes-szabályt (multivárium)
- a diákok építhetnek egy Naive Bayesian Network (NBN) modellt
- a diákok kiterjeszthetik az NBN-t egy NBN-alapú döntési hálózatra
- a diákok kiszámíthatják a tökéletes információ értékét
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Valószínűségeloszlás, feltételes valószínűség, várható érték (pl. AIMA4e vagy wikipedia)
- Hatásdiagram
Választható diákok számára
- Mesterséges intelligencia: Modern megközelítés, 4. globális kiadás: Stuart Russell és Peter Norvig, Pearson (AIMA4e):ch12–18
Referenciák és háttér a diákok számára
- AIMA4e:ch12–18
Ajánlott tanároknak
- AIMA4e:ch12–18
- Naiv Bayes osztályozó
Utasítások tanároknak
- Az alapvető hármas csomóponti döntés nettó kiigazítása
- Találd meg a legjobb és legrosszabb döntéseket
- Adaptáljuk a naiv Bayes hálót
- Találd meg a legértékesebb bizonyítékot (jellemzőt)
- Az osztályon belüli tevékenységek során kérje meg a diákokat, hogy találják meg az optimális döntéseket
Vázlat/időterv
| Időtartam | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 5 | A bizonytalanság forrásai és a valószínűség értelmezése | bizonytalanság | ||
| 5 | Bernoulli és multinomiális eloszlások | egyivária-eloszlások | ||
| 5 | Valószínűségelmélet axiómái (additivitás) | valószínűségelmélet | ||
| 5 | Az egylépcsős döntési probléma elemei és grafikus jelölései: a döntési hálózat sztochasztikus→utility/loss←akció csomópontok | döntési probléma | ||
| 5 | Használati és veszteségfüggvények, gyakori veszteségfüggvények és mátrixok | preferenciák | ||
| 5 | Várható érték, a várható maximális hasznosság elve | optimális döntés | ||
| 5 | Feltételes valószínűség és Bayes-tétel (két változóra és feltételre) | feltételes valószínűség | ||
| 5 | Függetlenség és feltételes függetlenség | függetlenség | ||
| 5 | Példa a Naive Bayesian hálózatra | Naiv Bayes háló | ||
| 5 | Példa a Naive Bayesian hálózaton alapuló döntési hálózatra | |||
| 5 | Utólagos következtetés és az optimális döntés kiválasztása | utólagos következtetés | ||
| 5 | A bizonyítékok következtetése és az információ értékének kiszámítása között | az információk értéke |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.