Materia
Redes bayesianas: teoría y aplicaciones
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Inglés
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.
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 | 12.0 | 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 % |
Prácticas con ordenador, laboratorio, salidas de campo, visitas externas | 27.0 | 45 % |
Talleres de aplicación | 10.0 | 100 % |
Trabajo individual y/o en grupo | 36.0 | 15 % |
Videoconferencias | 0.0 | 100 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Asistencia y Participación | 0.0 % | 10.0 % |
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 % |
Realización de prácticas (ejercicios, casos o problemas) | 20.0 % | 35.0 % |
Trabajos Prácticos | 50.0 % | 75.0 % |
Resultados del aprendizaje de la asignatura
Manejar y manipular probabilidadesModelar 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