|
|
Close Help | ||||||||||||||
[ News List | AS seminars | CSKI seminars soon | CSKI seminars ]
Filip Železný:
Bayesovské aspekty strojového učení v logice
Úterý, 3. 11. 2009, 1400
místnost 474, ÚTIA AV ČR
V přednášce shrnu základní principy strojového učení v logice, zejména induktivního logického programování. Následně se budu věnovat dvěma odrazům Bayesovského usuzování v této doméně.
Za prvé půjde o indukci tzv. Bayesovských logických programů (BLP) z dat. BLP je poměrně nedávno navržený formalismus kombinující výrazové prostředky predikatové logiky a pravděpodobnosti.
Za druhé (a se zvláštní zálibou) budu diskutovat problém hledání Bayesovsky optimální (deterministické) klauzální teorie z dat za rozličných předpokladů apriorních rozdělení pravděpodobností, týkajících se například syntaktické složitosti teorií nebo jejich obecností.
Touto diskuzí chci mj. občerstvit některé otázky, které jsem formuloval před 6 lety ve své dizertaci, ale nebyl jsem je schopen vyřešit.
Filip Železný
zelezny@fel.cvut.cz
M.C. Pardo:
Multinomial Generalized Linear Models
Wednesday, 4. 11. 2009, 1400
room 474, UTIA ASCR
Generalized linear models have been introduced by Nelder and Wedderburn (1972) as a unifying family of models for nonstandard cross-sectional regression analysis with non-normal responses.
We focus on multinomial response models that model relationships between a multinomial response variable and a set of explanatory variables. Based on phi-divergences an estimator of the generalized linear models for multinomial data (GLM) under linear restrictions on the parameters is considered.
New test statistics, also based on phi-divergences are considered as alternatives to the classical ones for testing a hypothesis about linear restrictions on the parameters. The asymptotic distribution of them is obtained under the null hypothesis as well as under contiguous local hypotheses. A wide simulation study of the estimators and the test statistics is carried out. After fitting data by a certain generalized linear model, specific tools to select and check models are used. In this talk, a new selection criterion based on divergence measures is proposed in backward removal variable selection for multinomial generalized linear model.
Finally, we extend some diagnostic tools using the phi-divergence measure for detecting outliers, leverage and influential points.
Prof. M.C. Pardo
Department of Statistics and Operational Research I
Faculty of Mathematics
Complutense University of Madrid
