Modelos Gráficos Probabilísticos

• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Web links
• Capacidades previas

Horas semanales

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

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Probabilistic graphical models: principles and techniques - Koller, D.; Friedman, N, MIT Press, 2009. ISBN: 9780262013192
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003641269706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Graphical models - Lauritzen, S.L, Clarendon Press, 1996. ISBN: 0198522193
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991001693519706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Information theory, inference, and learning algorithms - Mackay, D.J.C, Cambridge University Press, 2003. ISBN: 0521642981
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002876809706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Web links

• The Probabilistic Graphical Models course at coursera gives a good idea of this course. https://www.coursera.org/

Capacidades previas