Materia

Contenido de XSL

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 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. 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

NombreInstituciónCategoríaDoctor/aPerfil docenteÁreaEmail
CALVO MOLINOS, BORJAUniversidad del País Vasco/Euskal Herriko UnibertsitateaProfesorado AgregadoDoctorBilingüeCiencia de la Computación e Inteligencia Artificialborja.calvo@ehu.eus
PEREZ MARTINEZ, ARITZBCAM Basque Centre for Applied Mathematics and IkerbasqueOtrosDoctoraritz.perez@ehu.eus

Competencias

DenominaciónPeso
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 investigadora50.0 %
Descubrimiento de campos donde aplicar los desarrollos metodológicos e ingenieriles que realice en su actividad investigadora15.0 %
Conocimiento básico de algunos softwares de libre distribución35.0 %

Tipos de docencia

TipoHoras presencialesHoras no presencialesHoras totales
Magistral17.52643.5
Seminario12.51931.5

Actividades formativas

DenominaciónHorasPorcentaje de presencialidad
Actividades propuestas por el equipo docente a través de la plataforma virtual0.00 %
Clases expositivas10.0100 %
Elaboración de informes y exposiciones15.030 %
Estudio sistematizado20.00 %
Horas de contacto virtual a través de la plataforma (participación en foros, consulta de dudas, etc)0.0100 %
Interacción con el docente en entornos virtuales0.030 %
Lectura y análisis prácticos20.050 %
Talleres de aplicación10.0100 %
Videoconferencias0.0100 %

Sistemas de evaluación

DenominaciónPonderación mínimaPonderación máxima
Asistencia y Participación15.0 % 25.0 %
Exposiciones30.0 % 40.0 %
Otros0.0 % 10.0 %
Participación en los foros15.0 % 25.0 %
Pruebas de evaluación a distancia75.0 % 85.0 %
Trabajos Prácticos30.0 % 40.0 %

Temario

Tema 1

REDES 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

Contenido de XSL

Sugerencias y solicitudes