Magyarázatgenerálás valószínűségi hálózatok felhasználásával

OData támogatás
Konzulens:
Dr. Antal Péter
Méréstechnika és Információs Rendszerek Tanszék

Manapság, amikor már hatalmas számítási kapacitás áll rendelkezésünkre, és a mestersé-ges intelligencia, valamint a gépi tanulás vívmányait a gyakorlatban is alkalmazni tudjuk, elengedhetetlen, hogy garanciát tudjuk vállalni azok megbízhatóságára. A megbízható-ság egyik feltétele, hogy az eszközök viselkedését még szélsőséges esetekben is ponto-san, emberi felhasználók számára is érthetően meg tudjuk magyarázni.

Ebben a dolgozatban be fogom mutatni először is a magyarázat fogalmát és annak defi-niálására történt kísérleteket és megnyilvánulási formáit.

Mivel a magyarázatgenerálás és a legvalószínűbb konfiguráció fogalmát legkönnyebben valószínűségi modelleken tudom ismertetni, ezért meg szeretném megismertetni az olva-sót annak egyik leggyakrabban használt típusával, a Bayes-hálóval.

A legvalószínűbb konfiguráció keresésének problémáját különféle bonyolultságú struktú-rával rendelkező valószínűségi modell esetében is be fogom mutatni. Ezek komplexitá-suk szerint növekvő sorrendben a rejtett Markov modell, a poly-fa gráf alapú, és általá-nos gráf struktúrájú Bayes-hálózatok.

A magyarázatgeneráláshoz használt algoritmus ismertetése után megmutatom, milyen gyakorlatban is használható módszerek léteznek a Bayes-hálózat konstrukciójára. Le-írom, milyen nehézségek merülnek fel a hálózat építéséhez szükséges adat kinyerése so-rán, illetve ezekből hogyan építhető fel a hálózat struktúrája. A kész struktúrán történő paramétertanulás két módszerét is meg szeretném mutatni.

A szakdolgozatom írása során megvalósítottam egy olyan alkalmazást, ami alkalmas mintamátrixokból történő Bayes-hálózat struktúra és paramétertanulására, valamint a kapott valószínűségi modellen magyarázatgenerálásra.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.