nireEHU 
Materia
Redes bayesianas: teoría y aplicaciones
Datos generales de la materia
- Modalidad
- Presencial
- Virtual
- Idioma
- Castellano
- Inglés
Descripción y contextualización de la asignatura
Este curso expone las redes Bayesianas como herramientas gráficas bien consolidadas y de enorme aplicación en la actualidad para modelizar la incertidumbre y razonar con ella en sistemas inteligentes. La incertidumbre semodeliza 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.
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