Descripción y contextualización de la asignatura

En esta asignatura se aborda el problema del modelado de la incertidumbre desde la perspetiva del modelado probabilístico y poniendo especial énfasis en las redes Bayesianas. Las redes Bayesianas son herramientas gráficas bien consolidadas 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. En una primera parte del curso se tranta de manera introductoria conceptos generales relativos a la probabilidad y al modelado probabilítico (tipos de probabilidad, estimación, etc.). En la segunda parte se comienza explicando el significado de las redes para

modelizar conocimiento con incertidumbre, 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.

Resultados del aprendizaje de la asignatura

Manejar y manipular probabilidades

Modelar probabilisticamente datos unidimensionales

Construir redes Bayesianas a partir de datos

Realizar inferencia probabilítica con redes Bayesianas

Manejar software para modelar y analizar datos usando redes Bayesianas

Convocatoria ordinaria: orientaciones y renuncia

Como norma general, el plazo para la entrega de la documentación para la evaluación será un mes después del final de las clases de la asignatura, aunque este plazo se podrá modificar por consenso.

Convocatoria extraordinaria: orientaciones y renuncia

La convocatoria extraordinaria será también en base a un trabajo cuyo plazo exacto de entrega será acordado con el profesor, aunque en ningún caso será anterior a la finalización del segundo cuatrimestre.

Temario

Tema 1 - Conceptos Básicos de Probabilidad.

Tema 2 - Introducción a la Teoría de la Información.

Tema 3 - Introducción al modelado probabilítico.

Tema 4 - Introducción a las redes Bayesianas.

Tema 5 - Aprendizaje de redes Bayesianas.

Tema 6 - Inferencia en redes Bayesianas.

Tema 7 - Redes Bayesianas para clasificación supervisada.

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