Gaia
Bayestar sareak: teoria eta aplikazioak
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Ingelesa
Irakasgaiaren azalpena eta testuingurua
Ikasgai honetan ezjakintasunaren modelatzearen arazoari heltzen zaio, modelatze probabilistikoaren ikuspegitik eta sare Bayestarretan arreta berezia jarriz. Sare Bayestarrak ondo finkatutako tresna grafikoak dira, eta gaur egun oso aplikagarriak dira ezjakintasuna modelizatzeko eta sistema adimendunetan harekin arrazoitzeko. Ziurgabetasuna probabilitatearekin modelizatzen da eta arrazonamendua Bayesen erregelan oinarritzen da.Ikastaroan, Adimen Artifizialean interesgarriak diren hainbat alderdi landuko dira. Ikastaroaren lehen zatian, sarrera moduan, probabilitateari eta modelatze probabilitikoari buruzko kontzeptu orokorrak jasotzen dira (probabilitate motak, estimazioa, etab.). Bigarren zatian, hasteko, ezagutza ezjakintasunez modelizatzeko sare Bayestarrenen esanahia azaltzen da, bai ikuspuntu estrukturaletik (kualitatiboa), bai parametrikotik (kuantitatiboa). Hurrengo urratsa sareari galderak egitea da, hau da, jasotzen diren behaketa edo datuetatik ezagutza ondorioztatzea. Hala, adibidez, gaixotasun baten diagnostikoaz edo behatutako ebidentziaren azalpen probableenaz galde dezakegu.
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 | 12.0 | 100 % |
Banakako eta/edo taldeko lana | 36.0 | 15 % |
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 % |
Ordenagailuko praktikak, irteerak, bisitak | 27.0 | 45 % |
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 | 0.0 % | 10.0 % |
Azalpenak | 30.0 % | 40.0 % |
Foroetan parte hartzea | 15.0 % | 25.0 % |
Lan praktikoak | 50.0 % | 75.0 % |
OTROS | 0.0 % | 10.0 % |
Praktikak egitea (ariketak, kasuak edo arazoak) | 20.0 % | 35.0 % |
Urrutiko ebaluazio-probak | 75.0 % | 85.0 % |
Irakasgaia ikastean lortuko diren emaitzak
Probabilitateak maneiatzea eta manipulatzeaDimentsio bakarreko datuak probabilistikoki modelatzea
Sare Bayestarrak eraikitzea datuetan oinarrituta
Inferentzia probabilitikoa egitea sare Bayestarrekin
Datuak modelatzeko eta aztertzeko softwarea erabiltzea sare Bayestarrak erabiliz
Ohiko deialdia: orientazioak eta uko egitea
Arau orokor gisa, ebaluaziorako dokumentazioa aurkezteko epea ikasgaiaren eskolak amaitu eta hilabetera izango da, baina epe hori adostasunez aldatu ahal izango da.Ezohiko deialdia: orientazioak eta uko egitea
Deialdi hau ere lan batean oinarrituta egongo da, eta lan hori entregatzeko epe zehatza irakaslearekin adostuko da, baina ez da inola ere bigarren lauhilekoa amaitu baino lehenagokoa izango.Irakasgai-zerrenda
1. Gaia - Oinarrizko probabilitate-kontzeptuak.2. Gaia - Informazio-teoriaren hastapenak.
3. Gaia - Modelatze probabilitikorako sarrera.
4. Gaia - Sare Bayestarren hastapenak.
5. Gaia - Sare Bayestarren ikaskuntza.
6. Gaia - Inferentzia sare Bayestarretan.
7. Gaia - Gainbegiratutako sailkapenerako sare Bayestarrak.
Bibliografia
Oinarrizko bibliografia
Castillo, E., Gutiérrez, J.M., Hadi, A.S. (1997) Expert Systems andProbabilistic 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