• az adatok heterogenitásának növekedése, a korábban domináns passzív, strukturálatlan megfigyeléses adat mellett, egyre nagyobb szerepet kap az aktív beavatkozásból származó és strukturált adat

   

• az elektronikusan elérhető háttértudás növekedése, az a priori ismeretek szakértőtől származó beszerzését felváltják az elektronikus forrásokból származtatott ismeretek

   

• a modellek komplexitásának növekedése, a korábbi függvényapproximációs és eloszlásmodellezős szemlélet mellett egyre nagyobb hangsúlyt kap a dekomponált, hierarchikus (relációs/objektum-orientált) modelleknek  a tanulása, illetve oksági modellek tanulása, beavatkozásokhoz tartozó és kontra-faktuális valószínűségek következtetése

   

• és a feltett kérdések szemantikai jellegének a növekedése, a korábbi predikciós és teljes modell tanulását célzó módszerek mellett, egyre nagyobb szerepet kapnak a modell jegyeinek, szemantikus tulajdonságainak a tanulása, különös tekintettel a háttértudás felhasználására a kérdések megfogalmazásában

   

• a bayes statisztikai megközelítés előtérbe kerülése, ami a számítási kapacitás, az elektronikusan elérhető a priori ismeretek, a modellek és a kérdések komplexitásának növekedésének is következménye.

   

• Bevezetés. A statisztikai adatok sokfélesége. Az indukció valószínűségi megközelítése. Klasszikus és bayesi statisztika célkitűzései, metodológiája. Alapfogalmak bemutatása egy változós normális eloszlás esetén, parallel fogalmak összehasonlítása és komplex valószínűségi modellek esetén. A valószínűségi következtetések típusai: megfigyeléses, beavatkozásos, kontra-faktuális.

   

• Adatok vizualizációja. Dimenzió-, topológia- és varianciamegőrző dimenzió csökkentő leképezések.

   

• Adatok leiró statisztikai elemzése. Kluszterező módszerek. A kiértékelés és értelmezés problémája. Adatintegrálás, tudásfúzió.

   

• A hiányos adat típusai. Hiányos adatok kezelési módszerei. Expectation-Maximization. Bayesi megközelítés.

   

• Kismintás statisztikai módszerek. Bootstrap. Bayesi következtetés hatékony Monte Carlo módszerekkel: MC, MCMC, MCMCMC, ....

   

• Feltételes modellek tanulása és használata hiányos adat esetén kiegészítő modellekkel.

   

• Kiterjesztett Bayes hálók. Monolitikus Bayes hálók. Oksági Bayes hálók. Hierarchikus és dekomponált Bayes hálók, objektum orientált Bayes hálók,  dinamikus Bayes hálók, rejtett Markov modellek.

   

• Bayes hálók tanulása és értelmezése.

   

• Bayes hálók tanulása hiányos adatok és beavatkozásos adatok esetén.

   

• Bayesi következtetés Bayes hálók tulajdonságairól.

   

• Tanulás logikai reprezentációkban. Induktív logikai programozás.    A tudás szerepe a tanulásban. Magyarázat alapú tanulás.

   

• Sztochasztikus nyelvtanok. Rejtett Markov modellek és sztochasztikus nyelvtanok kapcsolata. Nyelvtanok tanulása.

   

• Alkalmazások. Biológiai szekvenciák elemzése. Orvosbiológiai oksági modellek tanulása megfigyelési és beavatkozási adatok együtteséből.

   

•  ‘Szövegbányászat’-i módszerek és információ keresés. Relációk automatikus kivonatolása szintaktikai (nyelvészeti) és statisztikai módszerekkel. Szakirodalmi hálók és tudásbázisok automatikus építése. A szövegbányászat eredményeinek felhasználása a statisztikai adatelemzésben.

   

D. J. Hand: Intelligent Data Analysis
T.Hastie, R.Tibshirani, J.Friedman: The Elements of Statistical Learning
R. G. Cowel: Probabilistic Networks and Expert Systems
C.M. Bishop: Neural Networks for Pattern Recognition
R.M.Neal: Bayesian Learning for Neural Networks
J. M. Bernardo, A. F. M. Smith: Bayesian Theory
Andrew Gelman: Bayesian Data Analysis
Bayesian inference Using Gibbs Sampling: http://www.mrc-bsu.cam.ac.uk/bugs/
Learning in Graphical Models (Adaptive Computation and Machine Learning) by Michael Irwin Jordan (Editor)
Graphical Models (Oxford Statistical Science Series, 17) by Steffen L. Lauritzen