Gaia
Bayestar sareak: teoria eta aplikazioak
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Birtuala
- Hizkuntza
- Gaztelania
- Ingelesa
Irakasgaiaren azalpena eta testuingurua
Este curso expone las redes Bayesianas como herramientas gráficas bienconsolidadas y de enorme aplicación en la actualidad para modelizar la
incertidumbre y razonar con ella en sistemas inteligentes. La incertidumbre se
modeliza con la probabilidad y el razonamiento se basa en la regla de Bayes.
El curso tratará de abarcar diferentes aspectos que resultan interesantes en
Inteligencia Artificial. Se comienza explicando el significado de las redes para
modelizar conocimiento con incertidumbre tanto causal como no causal, y tanto
desde un punto de vista estructural (cualitativo) como paramétrico
(cuantitativo). El siguiente paso es hacer preguntas a la red, es decir, inferir
conocimiento a partir de observaciones o datos que se vayan recogiendo. Así,
podemos preguntar por ejemplo por el diagnóstico de una enfermedad o por la
explicación más probable de la evidencia observada.
Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
CALVO MOLINOS, BORJA | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputazio Zientzia eta Adimen Artifiziala | borja.calvo@ehu.eus |
PEREZ MARTINEZ, ARITZ | BCAM Basque Center for Applied Mathematics and Ikerbasque | Besteak | Doktorea | aritz.perez@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Adquisición de destrezas y conocimiento básico de las principales técnicas relacionadas con el paradigma de Redes Bayesianas para que pueda aplicarlas en los campos donde realice su actividad investigadora | 50.0 % |
Descubrimiento de campos donde aplicar los desarrollos metodológicos e ingenieriles que realice en su actividad investigadora | 15.0 % |
Conocimiento básico de algunos softwares de libre distribución | 35.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 17.5 | 26 | 43.5 |
Mintegia | 12.5 | 19 | 31.5 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Aplikazio-tailerrak | 10.0 | 100 % |
Azalpenezko eskolak | 10.0 | 100 % |
Bideokonferentziak | 0.0 | 100 % |
Ikasketa sistematizatua | 20.0 | 0 % |
Interakzioa irakaslearekin ingurune birtualetan | 0.0 | 30 % |
Irakaskuntza-taldeak plataforma birtualaren bidez proposatutako jarduerak | 0.0 | 0 % |
Irakurketa eta analisi praktikoak | 20.0 | 50 % |
Plataformaren bidez harreman birtualean emandako orduak (foroetan parte hartzea, etab.) | 0.0 | 100 % |
Txostenak eta azalpenak lantzea | 15.0 | 30 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Bertaratzea eta Parte-hartzea | 15.0 % | 25.0 % |
Azalpenak | 30.0 % | 40.0 % |
Foroetan parte hartzea | 15.0 % | 25.0 % |
Lan praktikoak | 30.0 % | 40.0 % |
OTROS | 0.0 % | 10.0 % |
Urrutiko ebaluazio-probak | 75.0 % | 85.0 % |
Irakasgai-zerrenda
Tema 1REDES BAYESIANAS. Independencia y su representación gráfica.
Causalidad.
Tema 2
INFERENCIA EN REDES BAYESIANAS. Razonamiento Bayesiano bajo
incertidumbre. Razonamiento predictivo, diagnóstico, bidireccional.
Abducción (MAP) total y parcial. Inferencia exacta: métodos de Shafer y
Shenoy, de Hugin, propagación perezosa. Inferencia aproximada:
simulación estocástica.
Tema 3
APRENDIZAJE AUTOMÁTICO DE REDES BAYESIANAS. Aprendizaje
de parámetros. Aprendizaje de la estructura. Aprendizaje con datos
incompletos. Aprendizaje de clasificadores. Validación de modelos con
bootstrap y validación cruzada.
Tema 4
REDES PARA LA TOMA DE DECISIONES. Árboles de decisión.
Diagramas de influencia. Valor de la información. Explicación de los
resultados.
Tema 5
EXTENSIONES Y APLICACIONES. Éxito de las redes Bayesianas.
Bibliografia
Oinarrizko bibliografia
Bibliografía básica:¿ Castillo, E., Gutiérrez, J.M., Hadi, A.S. (1997) Expert Systems and
Probabilistic Network Models. Springer, New York. Disponible en la red: Sistemas Expertos y Modelos de Redes Probabilísticas, Academia de Ingeniería, Madrid, ISBN: 84-600-9395-6.
Neapolitan, R., (2004) Learning Bayesian Networks, Prentice Hall.
Pourret, O., Naïm, P., Marcot, B. (2008) Bayesian Networks: A Practical
Guide to Applications, Wiley.
Gehiago sakontzeko bibliografia
¿ Blanco, R., Inza, I., Merino, M., Quiroga, J., Larrañaga, P. (2005) Feature selection in Bayesian classifiers for the prognosis of survival of cirrhotic patients treated with TIPS. Journal of Biomedical Informatics, 38(5), 376-388.¿ Calvo, B., Lozano, J.A., Larrañaga, P. (2007) Learning Bayesian
classifiers from positive and unlabeled examples. Pattern Recognition
Letters, 28(16), 2375-2384.
¿ Correa. M., Bielza, C., Ramírez, M.J. Alique, J.R. (2008) A Bayesian
network model for surface roughness prediction in the machining
process, International Journal of Systems Science, to appear.
¿ Cowell, R.G., Dawid, A.P., Lauritzen, S.L., Spiegelhalter, D.J. (1999)
Probabilistic Networks and Expert Systems, Springer.
¿ Friedman, N, Geiger, D., Goldszmidt, M. (1997) Bayesian Networks
Classifiers, Machine Learning 29, 131-163.
¿ Jensen, F.V., Nielsen, T. (2007) Bayesian Networks and Decision