Gaia

Bayestar sareak: teoria eta aplikazioak

Gaiari buruzko datu orokorrak

Modalitatea
Ikasgelakoa
Birtuala
Hizkuntza
Gaztelania
Ingelesa

Irakasleak

IzenaErakundeaKategoriaDoktoreaIrakaskuntza-profilaArloaHelbide elektronikoa
CALVO MOLINOS, BORJAEuskal Herriko UnibertsitateaIrakaslego AgregatuaDoktoreaElebidunaKonputazio Zientzia eta Adimen Artifizialaborja.calvo@ehu.eus
PEREZ MARTINEZ, ARITZBCAM Basque Centre for Applied Mathematics and IkerbasqueBesteakDoktoreaaritz.perez@ehu.eus

Gaitasunak

IzenaPisua
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%

Irakaskuntza motak

MotaIkasgelako orduakIkasgelaz kanpoko orduakOrduak guztira
Magistrala17.52643.5
Mintegia12.51931.5

Irakaskuntza motak

IzenaOrduakIkasgelako orduen ehunekoa
Aplikazio-tailerrak10.0100%
Azalpenezko eskolak10.0100%
Bideokonferentziak0.0100%
Ikasketa sistematizatua20.00%
Interakzioa irakaslearekin ingurune birtualetan0.030%
Irakaskuntza-taldeak plataforma birtualaren bidez proposatutako jarduerak0.00%
Irakurketa eta analisi praktikoak20.050%
Plataformaren bidez harreman birtualean emandako orduak (foroetan parte hartzea, etab.)0.0100%
Txostenak eta azalpenak lantzea15.030%

Ebaluazio-sistemak

IzenaGutxieneko ponderazioaGehieneko ponderazioa
Bertaratzea eta Parte-hartzea15.0% 25.0%
Azalpenak30.0% 40.0%
Beste batzuk0.0% 10.0%
Foroetan parte hartzea15.0% 25.0%
Lan praktikoak30.0% 40.0%
Urrutiko ebaluazio-probak75.0% 85.0%

Irakasgai-zerrenda

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.

Bibliografia

Oinarrizko bibliografia

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.

Gehiago sakontzeko bibliografia

¿ 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

Iradokizunak eta eskaerak