Allgemeine Informationen

Veranstaltungsname	Vorlesung: Bayesian Networks
Veranstaltungsnummer	INF-0088, INF-0263
Semester	SS 2023
Aktuelle Anzahl der Teilnehmenden	86
Heimat-Einrichtung	Multimedia und maschinelles Sehen
Veranstaltungstyp	Vorlesung in der Kategorie Lehre
Erster Termin	Dienstag, 18.04.2023 12:15 - 13:45, Ort: (1058 N)
Online/Digitale Veranstaltung	Veranstaltung wird in Präsenz abgehalten.
Hauptunterrichtssprache	deutsch

Lehrende

Räume und Zeiten

(1058 N): Dienstag: 12:15 - 13:45, wöchentlich (12x)
(Nur Online Video "BN_7_Approximate_Inference.mp4"; keine physische Vorlesung): Dienstag: 12:15 - 13:45, wöchentlich (1x)

Studienbereiche

Fakultät für Angewandte Informatik > Informatik

Modulzuordnungen

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 gültig ab 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) > FakultÃ¤t fÃ¼r 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 gültig ab 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)

Kommentar/Beschreibung

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.