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.

Irakasgaia ikastean lortuko diren emaitzak

Probabilitateak maneiatzea eta manipulatzea

Dimentsio 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 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