Gaia

XSLaren edukia

Bayestar sareak: teoria eta aplikazioak

Gaiari buruzko datu orokorrak

Modalitatea
Ikasgelakoa
Hizkuntza
Ingelesa

Irakasgaiaren azalpena eta testuingurua

Ikasgai honetan ezjakintasunaren modelatzearen arazoari heltzen zaio, modelatze probabilistikoaren ikuspegitik eta sare Bayestarretan arreta berezia jarriz. Sare Bayestarrak ondo finkatutako tresna grafikoak dira, eta gaur egun oso aplikagarriak dira ezjakintasuna modelizatzeko eta sistema adimendunetan harekin arrazoitzeko. Ziurgabetasuna probabilitatearekin modelizatzen da eta arrazonamendua Bayesen erregelan oinarritzen da.

Ikastaroan, Adimen Artifizialean interesgarriak diren hainbat alderdi landuko dira. Ikastaroaren lehen zatian, sarrera moduan, probabilitateari eta modelatze probabilitikoari buruzko kontzeptu orokorrak jasotzen dira (probabilitate motak, estimazioa, etab.). Bigarren zatian, hasteko, ezagutza ezjakintasunez modelizatzeko sare Bayestarrenen esanahia azaltzen da, bai ikuspuntu estrukturaletik (kualitatiboa), bai parametrikotik (kuantitatiboa). Hurrengo urratsa sareari galderak egitea da, hau da, jasotzen diren behaketa edo datuetatik ezagutza ondorioztatzea. Hala, adibidez, gaixotasun baten diagnostikoaz edo behatutako ebidentziaren azalpen probableenaz galde dezakegu.

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
Azalpenezko eskolak12.0100 %
Banakako eta/edo taldeko lana36.015 %
Irakaskuntza-taldeak plataforma birtualaren bidez proposatutako jarduerak0.00 %
Prácticas con ordenador, laboratorio, salidas de campo, visitas externas27.045 %

Ebaluazio-sistemak

IzenaGutxieneko ponderazioaGehieneko ponderazioa
Bertaratzea eta Parte-hartzea0.0 % 10.0 %
Lan praktikoak50.0 % 75.0 %
Praktikak egitea (ariketak, kasuak edo arazoak)20.0 % 35.0 %

Irakasgaia ikastean lortuko diren emaitzak

Probabilitateak maneiatzea eta manipulatzea

Dimentsio bakarreko datuak probabilistikoki modelatzea

Sare Bayestarrak eraikitzea datuetan oinarrituta

Inferentzia probabilitikoa egitea sare Bayestarrekin

Datuak modelatzeko eta aztertzeko softwarea erabiltzea sare Bayestarrak erabiliz

Ohiko deialdia: orientazioak eta uko egitea

Arau orokor gisa, ebaluaziorako dokumentazioa aurkezteko epea ikasgaiaren eskolak amaitu eta hilabetera izango da, baina epe hori adostasunez aldatu ahal izango da.

Ezohiko deialdia: orientazioak eta uko egitea

Deialdi hau ere lan batean oinarrituta egongo da, eta lan hori entregatzeko epe zehatza irakaslearekin adostuko da, baina ez da inola ere bigarren lauhilekoa amaitu baino lehenagokoa izango.

Irakasgai-zerrenda

1. Gaia - Oinarrizko probabilitate-kontzeptuak.

2. Gaia - Informazio-teoriaren hastapenak.

3. Gaia - Modelatze probabilitikorako sarrera.

4. Gaia - Sare Bayestarren hastapenak.

5. Gaia - Sare Bayestarren ikaskuntza.

6. Gaia - Inferentzia sare Bayestarretan.

7. Gaia - Gainbegiratutako sailkapenerako sare Bayestarrak.

Bibliografia

Oinarrizko bibliografia

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

XSLaren edukia

Iradokizunak eta eskaerak