Models Gràfics Probabilístics

Esteu aquí

Crèdits
4.5
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
UB;CS
Mail
Els Models Gràfics Probabilístics són una tecnologia bàsica per a l'aprenentatge automàtic, la visió per computador, el processament del llenguatge natural, i moltes altres aplicacions de la intel·ligència artificial. En aquesta assignatura, donarem una visió general d'aquests models. Revisarem els conceptes teòrics fonamentals, i estudiarem com posar-los en pràctica per a resoldre problemes del nostre interès.

Professors

Responsable

  • Jerónimo Hernández González ( )

Hores setmanals

Teoria
1
Problemes
1
Laboratori
0.5
Aprenentatge dirigit
0
Aprenentatge autònom
5

Competències

Competències Tècniques Generals

Genèriques

  • CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA8 - Capacitat de realitzar investigació en noves tècniques, metodologies, arquitectures, serveis o sistemes en l'àrea de la Intel·ligència Artificial.
  • CEA12 - Capacitat de comprendre les tècniques avançades d'Enginyeria del Coneixement, Aprenentatge Automàtic i Sistemes de Suport a la Decisió, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP1 - Capacitat de resoldre les necessitats d'anàlisi de la informació de les diferents organitzacions, tot identificant les fonts d'incertesa i variabilitat.
  • CEP2 - Capacitat de resoldre els problemes de presa de decisions de les diferents organitzacions, integrant eines intel·ligents.
  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
  • CEP5 - Capacitat de dissenyar noves eines informàtiques i noves tècniques d'Intel·ligència Artificial en l'exercici professional.

Competències Transversals

ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Raonament

  • CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

Bàsiques

  • CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
  • CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma.

Objectius

  1. Ser capaç d'utilitzar Models gràfics probabilistes en escenaris de negoci i investigació.
    Competències relacionades: CB6, CB9, CT4, CT6, CT7, CEA12, CEA13, CEA3, CEA8, CEP5, CEP1, CEP2, CEP3, CG3,

Continguts

  1. Representació
    Descripció formal dels PGMs i dels different tipus
  2. Inferència
    Fent servir PGMs per a respondre consultes probabilístiques (tant de manera exacta com de manera aproximada)
  3. Aprenentatge
    Aprenent PGMs a partir d'un conjunt de dades (tant els paràmetres com l'estructura)
  4. Tendències actuals, aplicacions i eines
    Estat de l'art dels PGMs

Activitats

Activitat Acte avaluatiu


Desenvolupament del primer bloc de l'assignatura: Representació

Sessions d'estil col·laboratives
Objectius: 1
Continguts:
Teoria
4h
Problemes
4h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del segon bloc de l'assignatura: Inferència



Continguts:
Teoria
4h
Problemes
4h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del tercer bloc de l'assignatura: Aprenentatge



Continguts:
Teoria
4h
Problemes
4h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Test de coneixements


Objectius: 1
Setmana: 13
Tipus: examen de problemes
Teoria
0h
Problemes
2h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del quart bloc de l'assignatura: Tendències i aplicacions



Teoria
1h
Problemes
1h
Laboratori
0.5h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Presentacions de l'alumnat


Objectius: 1
Setmana: 15
Tipus: examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Metodologia docent

Les sessions de classe combinen de manera dinàmica explicacions teòriques i resolució de problemes. L'horari semanal inclou 3 hores d'activitats presencials. Algunes sessions/hores es podran dedicar exclusivament a activitats guiades de programació.
L'alumnat haura de presenter una aplicació de PGMs a un problema real (la seva propia, o d'algú altre), o una técnica de PGMs proposta recentment.

Mètode d'avaluació

L'assignatura s'avaluaria tenint en compte un examen final (40%), una presentació (30%) i les activitats de classe (30%).

Bibliografia

Bàsica:

Web links

Capacitats prèvies

L'assignatura requereix que l'alumnat tingui coneixements bàsics d'algebra lineal i càlcul, i que estigui familiaritzat amb els conceptes bàsics de probabilitat.

Addenda

Continguts

No significant changes are expected.

Metodologia docent

Beyond the possible adaptation of the course to a mixed (presential-virtual) methodology, no other significant changes are expected.

Mètode d'avaluació

No significant changes are expected.

Pla de contingència

In case of complete lockdown, lessons will be fully virtual-synchronous.