Lecture: Bayesian Networks - Details

General information

Course name	Lecture: Bayesian Networks
Course number	INF-0088, INF-0263
Semester	SS 2023
Current number of participants	83
Home institute	Multimedia und maschinelles Sehen
Courses type	Lecture in category Teaching
First date	Tuesday, 18.04.2023 12:15 - 13:45, Room: (1058 N)
Veranstaltung findet in Präsenz statt / hat Präsenz-Bestandteile	Yes
Hauptunterrichtssprache	deutsch

Lecturers

• Prof.Dr. Rainer Lienhart
• Robin Schön
• Moritz Werner Amadeus Einfalt
• Daniel Kienzle

Rooms and times

(1058 N)

Tuesday: 12:15 - 13:45, weekly (12x)

(Nur Online Video "BN_7_Approximate_Inference.mp4"; keine physische Vorlesung)

Tuesday: 12:15 - 13:45, weekly (1x)

Fields of study

• Fakultät für Angewandte Informatik > Informatik

Module assignments

• Wirtschaftsinformatik Masterstudiengang Wirtschaftsinformatik (PO 2017), 13. Version (SS 2023) > Modulgruppe A: Fortgeschrittene quantitative Methoden in der Wirtschaftsinformatik > INF-0263 - Bayesian Networks (für M.Sc. Wirtschaftsinformatik) > Bayesian Networks (Vorlesung)
• Informatik M.Sc. Informatik, PO 2018, 10. Version (SS 2023) > Praktische Informatik > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik M.Sc. Informatik, PO 2018, 10. Version (SS 2023) > Wahlbereich Informatik > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 16. Version (SS 2023) > Modulgruppe D: Informatik [MastWiMa] > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik und Multimedia M.Sc. Informatik und Multimedia, PO 2018, 10. Version (SS 2023) > Multimedia > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik M.Sc. Informatik, PO 2011, 17. Version (SS 2023) > M.Sc. Informatik (PO '11), Teilbereich Informatik - Multimedia > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 16. Version (SS 2023) > Modulgruppe E: Wahlbereich [MastWiMa] > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik und Multimedia M.Sc. Informatik und Multimedia, PO 2017, 13. Version valid from SS 2023 > M.Sc. Informatik und Multimedia (PO '17), Teilbereich Informatik - Multimedia > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Ingenieurinformatik M.Sc. Ingenieurinformatik, PO 2016, 14. Version (SS 2023) > M.Sc. Ingenieurinformatik - Technische Informatik und Adaptive Systeme > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Ingenieurinformatik M.Sc. Ingenieurinformatik, PO 2016, 14. Version (SS 2023) > M.Sc. Ingenieurinformatik - Wahlbereich Software und Systems Engineering / Technische Informatik und Adaptive Systeme > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Austauschstudium - FAI Austauschstudium FAI, 2. Version (SS 2023) > Fakultät für Angewandte Informatik - Master Level > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Medizinische Informatik M.Sc. Medizinische Informatik, 4. Version (SS 2023) > Informatik > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik und Multimedia M.Sc. Informatik und Multimedia, PO 2018, 10. Version (SS 2023) > Wahlbereich Informatik und Multimedia > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Medizinische Informatik M.Sc. Medizinische Informatik, 4. Version (SS 2023) > Wahlbereich > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Informatik M.Sc. Informatik, PO 2017, 13. Version valid from SS 2023 > M.Sc. Informatik (PO '17), Teilbereich Informatik - Multimedia > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)
• Mathematik Masterstudiengang Mathematik PO 2013, 16. Version (SS 2023) > Master Mathematik E-I: Nebenfach Informatik > INF-0088 - Bayesian Networks > Bayesian Networks (Vorlesung)

Comment/Description

Probability theory is a powerful tool for inferring the value of missing variables given a set of other variables. As the number of variables in a system increases, the joint probability distribution over these variables becomes overwhelmingly large. In this lecture we examine the implications of factoring one large joint probability distribution into a set of smaller conditional distributions by exploiting independencies between variables and study suitable algorithms for inference.