Modelos Gráficos Probabilísticos

Usted está aquí

Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
UB;CS
Mail
Los Modelos Gráficos Probabilísticos son una tecnología básica para el aprendizaje automático, la visión por computador, el procesamiento del lenguaje natural, y muchas otras aplicaciones de la inteligencia artificial. En esta asignatura, daremos una visión general de estos modelos. Revisaremos los conceptos teóricos fundamentales, y estudiaremos cómo ponerlos en práctica para resolver problemas de nuestro interés.

Profesores

Responsable

  • Jerónimo Hernández González ( )

Horas semanales

Teoría
1
Problemas
1
Laboratorio
0.5
Aprendizaje dirigido
0
Aprendizaje autónomo
5

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG3 - Capacidad para la modelización, cálculo, simulación, desarrollo e implantación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA8 - Capacidad de realizar investigación en nuevas técnicas, metodologías, arquitecturas, servicios o sistemas en el área de la Inteligencia Artificial.
  • CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
  • CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

  • CEP1 - Capacidad de resolver las necesidades de analisis de la informacion de las diferentes organizaciones, identificando las fuentes de incertidumbre y variabilidad.
  • CEP2 - Capacidad de resolver los problemas de toma de decisiones de las diferentes organizaciones, integrando herramientas inteligentes.
  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP5 - Capacidad de diseñar nuevas herramientas informáticas y nuevas técnicas de Inteligencia Artificial en el ejercicio profesional.

Competencias Transversales

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Objetivos

  1. Ser capaz de usar modelos gráficos probabilísticos en escenarios de negocios e investigación.
    Competencias relacionadas: CB6, CB9, CT4, CT6, CT7, CEA12, CEA13, CEA3, CEA8, CEP5, CEP1, CEP2, CEP3, CG3,

Contenidos

  1. Representación
    Descripción formal de los PGMs y los diferentes tipos
  2. Inferencia
    Usando PGMs para responder consultas probabilísticas (tanto de manera exacta como de manera aproximada)
  3. Aprendizaje
    Aprendiendo PGMs a partir de un conjunto de datos (tanto los parámetros como la estructura)
  4. Tendencias actuales, aplicaciones y herramientas
    Estado del arte de los PGMs

Actividades

Actividad Acto evaluativo


Desarrollo del primer bloque de la asignatura: Representación

Sesiones de estilo colaborativas
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del segundo bloque de la asignatura: Inferencia



Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del tercer bloque de la asignatura: Aprendizaje



Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Test de conocimientos


Objetivos: 1
Semana: 13
Tipo: examen de problemas
Teoría
0h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del cuarto bloque de la asignatura: Tendencias y aplicaciones



Teoría
1h
Problemas
1h
Laboratorio
0.5h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Presentaciones del alumnado


Objetivos: 1
Semana: 15
Tipo: examen de teoría
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Metodología docente

Las sesiones de clase combinan de manera dinámica explicaciones teóricas y resolución de problemas. El horario semanal incluye 3 horas de actividades presenciales. Algunas sesiones/horas se podrán dedicar exclusivamente a actividades guiadas de programación.
El alumnado tendrá que presentar una aplicación de PGMs a un problema real (suya, o de alguna otra persona), o una técnica de PGMs propuesta recientemente.

Método de evaluación

La asignatura se evaluaría teniendo en cuenta un examen final (40%), una presentación (30%) y las actividades de clase (30%).

Bibliografía

Básica:

Web links

Capacidades previas

La asignatura requiere que el alumnado tenga conocimientos básicos de algebra lineal y cálculo, y que esté familiarizado con los conceptos básicos de probabilidad.

Adenda

Contenidos

No significant changes are expected.

Metodología docente

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

Método de evaluación

No significant changes are expected.

Plan de contingencia

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