Materia
Redes bayesianas: teoría y aplicaciones
Datos generales de la materia
- Modalidad
- Presencial
- Virtual
- Idioma
- Castellano
- Inglés
Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
CALVO MOLINOS, BORJA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctor | Bilingüe | Ciencia de la Computación e Inteligencia Artificial | borja.calvo@ehu.eus |
PEREZ MARTINEZ, ARITZ | BCAM Basque Center for Applied Mathematics and Ikerbasque | Otros | Doctor | aritz.perez@ehu.eus |
Competencias
Denominación | Peso |
---|---|
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 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 17.5 | 26 | 43.5 |
Seminario | 12.5 | 19 | 31.5 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Actividades propuestas por el equipo docente a través de la plataforma virtual | 0.0 | 0 % |
Clases expositivas | 10.0 | 100 % |
Elaboración de informes y exposiciones | 15.0 | 30 % |
Estudio sistematizado | 20.0 | 0 % |
Horas de contacto virtual a través de la plataforma (participación en foros, consulta de dudas, etc) | 0.0 | 100 % |
Interacción con el docente en entornos virtuales | 0.0 | 30 % |
Lectura y análisis prácticos | 20.0 | 50 % |
Talleres de aplicación | 10.0 | 100 % |
Videoconferencias | 0.0 | 100 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Asistencia y Participación | 15.0 % | 25.0 % |
Exposiciones | 30.0 % | 40.0 % |
OTROS | 0.0 % | 10.0 % |
Participación en los foros | 15.0 % | 25.0 % |
Pruebas de evaluación a distancia | 75.0 % | 85.0 % |
Trabajos Prácticos | 30.0 % | 40.0 % |
Temario
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.
Bibliografía
Bibliografía básica
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.
Bibliografía de profundización
¿ 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