Modern Methods of Decision Making

2020/2021

Academic Year

RUS

Instruction in Russian

4

ECTS credits

Delivered at:

Department of Informatics

Course type:

Compulsory course

When:

1 year, 4 module

Instructor

Suvorova, Alena

Программа дисциплины

Аннотация

Является обязательной дисциплиной. Целью освоения дисциплины «Современные методы принятия решений» является формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением. В результате изучения дисциплины у студента будет сформировано представление о математических подходах к разработке и исследованию методов анализа и принятия решений.

Цель освоения дисциплины

• формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением

Планируемые результаты обучения

• знает основные понятия теории принятия решения
• использует методы поддержки принятия решений для оценки шансов и выбора оптимальных стратегий
• строит модели ранжирования
• формулирует рекомендации в предметной области по результатам моделирования
• оценивает качество моделей принятия решений
• строит вероятностные графические модели для поддержки принятия решений

Содержание учебной дисциплины

• Введение, основные понятия теории принятия решений
  Взаимодействие среды и агентов; ручное и автоматизированное принятие решений; потенциально автоматизируемые решения; системы поддержки принятия решений; проектирование агентов; проблемы принятия решения; объяснение решения
• Выбор и ранжирование
  Постановка задачи оптимизации; градиентный спуск и модификации; А/B тестирование; explore-exploit proplem; "Многорукие бандиты": алгоритмы и оценка качества; задача ранжирования; feature construction (BM25, PageRank); oценка качества (DCG@K, NDCG@K, MAP@K); обучение модели: pointwise, pairwise and listwise подходы; агрегация рангов
• Вероятностные графические модели
  Байесовские сети; методы построения структур; алгоритмы построения структуры модели (score-based и content-based); марковские цепи
• Обучение с подкреплением
  Задачи обучения с подкреплением; Q-обучение и глубокое Q-обучение

Элементы контроля

• Домашнее задание 1
  На предоставленных преподавателем данных построить модель ранжирования любым алгоритмом, описать выбранный алгоритм и оценить качество ранжирования. Написать отчет о модели, включающий краткое описание алгоритма; построенную модель; оценку качества модели (NDCG/MAP/...); пример ранжирования для примера из тестовой выборки.
• Контрольная работа
• Письменный экзамен
• Домашнее задание 2
  Эссе по возможностям применения вероятностных графических моделей. Необходимо найти любую статью про применение байесовских сетей (не про разработку алгоритмов, а именно про применение в какой-то задаче) и написать короткий отчет с указанием выбранной статьи, описанием задачи, которую решали авторы, и того, каким образом в этой статье построена структура (экспертно/по данным, какие теории / методы / концепции использовали авторы).
• Домашнее задание 3
  На предоставленных преподавателем данных построить байесовскую сеть разными методами построения структур, сравнить полученные модели по любой метрике качества структуры (BIC, BD, AIC), написать краткий отчет о результатах с описанием, какую модель вы бы выбрали в качестве итоговой и почему. Дополнительно на бонусные баллы можно сравнить качества предсказаний по модели (не забыв разделить на тестовую и обучающую выборки)
• Упражнения
  Упражнения из асинхронных материалов и во время синхронных практических занятий

Промежуточная аттестация

• Промежуточная аттестация (4 модуль)
  0.15 * Домашнее задание 1 + 0.1 * Домашнее задание 2 + 0.2 * Домашнее задание 3 + 0.1 * Контрольная работа + 0.2 * Письменный экзамен + 0.25 * Упражнения

Список литературы

Рекомендуемая основная литература

• Corrigan, R. (2008). Back to the future: digital decision making. Information & Communications Technology Law, 17(3), 199–220. https://doi.org/10.1080/13600830802473006
• Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968

Рекомендуемая дополнительная литература

• Højsgaard, S., Lauritzen, S. L., & Edwards, D. (2012). Graphical Models with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534901
• Wiering, M., & Otterlo, M. van. (2012). Reinforcement Learning : State-of-the-Art. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=537744