DAG, d-separation, betingade oberoenden, Markovegenskaperna för DAG, begreppet ’faithfulness’, skattning av sannolikheter, inlärning av strukturer med hjälp av s.k. minimum description length, prediktiv inferens. Exponentiella familjer och betingat gaussiska fördelningar, Strukturella modeller. Kausalitet och interventionskalkyl och dess huvukriterier: backdoor criterion och front-door criterion. Kontrafakticitet och strukturell tolkning, axiomatik för det kontrafaktiska, sannolikhet för det kontrakfaktiska, tre tolkningar av sannolikhet i kausation och kontrafaktiska.
FSF3964 Bayesianska nätverk och kausal inferens 7,5 hp
Kursen ar av intresse for ingenjörer, data-analytiker och statistiker som arbetar med t.ex. modellering av system med hög komplexitet, artificiell intelligens och robotik. Kursen presenterar teorin och några av tillämpningarna av bayesianska nätverk (BNT). Ett BNT består utav en flevariabel sannolikhetsfördelning som faktoriserats längs en riktad acyclisk graf, som är förkortad med DAG. Tack vare DAG strukturen kan BNT byggas upp från både mänskliga kunskaper, och/eller kan de maskininläras fran data. Ett BNT kan tolkas och förstås visuellt, vilket bidrar till mänsklig inlärning och teoretiserande. Denna kurs behandlar upp-datering av probabilistisk osäkerhet pa basis av evidens av olika slag, och statistisk inlärning av modellparametrarna och strukturerna. BNT har förmodligen haft mest av inflytande i artificiell intelligens (A I). BNT:na tillåter mänsklig inlärning och maskininlärning att pågå parallellt. Detta innebär att BNT kan tas fram från en kombination av mänsklig och artificiell intelligens. BNT har därtill speciella kvalifikationer med avseende på kausalitet. Grundläggande för kausal inferens ar s.k. interventionsanalys, som genomgås i Pearl et.al. 2016 . En illustration av en sådan användning av kausal inferens är, om t.ex. offentliga insatser for hållbar utveckling har gett/kommer att ge önskade resultat. Kausal inferens lägger härvid till en ny komponent och metod vid sidan av dagens statistikteori. Den här kursen presenterar metoderna och premisserna for kausal inferens. Dylika idéer är ofta förklädda i esoterisk terminologi, men denna kurs använder sig av ett direkt språk. Ett tröskelbegrepp är den detaljerade introduktionen av kausalitet med stöd av kontrafakticitet.
Information för forskarstuderande om när kursen ges
Kursen ges VT19
Kursomgångar saknas för aktuella eller kommande terminer.
Rubriker med innehåll från kursplan FSF3964 (HT 2018–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
Lärandemål
För att bli godkänd måste studenten kunna:
- avgöra när man skall använda BNT för att modellera samspelet mellan ett antal variabler;
- upptäcka betingade oberoende med stöd av en DAG(= en riktad icke-cyklisk graf);
- använda minst två algoritmer för lära sig strukturen av en BNT på basis av data;
- använda tillgänglig mjukvara för uppdatering av sannolikheter;
- bedöma olika utsagor om kausalitet i en statistisk modell på ett principbaserat sätt;
- identifiera när kausal inferens behövs;
- tillämpa interventionskalkyl;
- utrycka de vetenskapliga villkor som gör det möjligt att estimera de kausala parametrarna från empiriska data känna till de viktigare tolkningarna av kontrafakta och deras ekvivalens;
- placera kausala inferensen i statistikteorins helhet.
Kurslitteratur och förberedelser
Särskild behörighet
Kurser i sannolikhet och analys på grundläggande och avancerad nivå.
Rekommenderad: SF3961 Statistical inference, SF2935 Statistisk inlärningsteori, SF2740 Grafteori
Rekommenderade förkunskaper
Ingen information tillagd
Utrustning
Ingen information tillagd
Kurslitteratur
• T. Koski & J.Noble: Bayesian Networks and Causal Probability Calculus. 2009.Bayesian Networks: An Introduction. J.Wiley & Sons 2009. ISBN : 978-0-470-74304-1 Press, 2015, ISBN 978-1-107-06507-9
• Adnan Darwiche: Modeling and reasoning with Bayesian networks. 2009, Cambridge University Press ISBN: 0-521-88438-1 (hardback)
• David Poole & Alan Mackworth: Artificial Intelligence: Foundations of Computational Agents. Cambridge University Press, 2010. Online ISBN 9780511794797
• S.L. Morgan & C.Winship: Counterfactuals and causal inference. 2nd Edition. Cambridge Univ.
• J.Pearl, M. Glymour & N.P: Jewell: Causal inference in statistics. A Primer. J.Wiley & Sons 2016, ISBN: 9781119186847
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
P, F
Examination
- HEM1 - Hemuppgifter, 7,5 hp, betygsskala: P, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Inlämningsuppgifter, datorprojekt och presentation
Övriga krav för slutbetyg
Godkända hemuppgifter
Möjlighet till komplettering
Ingen information tillagd
Möjlighet till plussning
Ingen information tillagd
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Denna kurs tillhör inget huvudområde.
Utbildningsnivå
Forskarnivå
Påbyggnad
Ingen information tillagd
Kontaktperson
Timo Koski (tjtkoski@kth.se)