MODELOS GRÁFICOS PROBABILÍSTICOS

(1)

MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Modelos avanzados de ciencia de datos Modelos gráficos probabilísticos Modelos gráficos probabilísticos 1º 1º 4 OPTATIVO

PROFESOR(ES) DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS _{(Dirección postal, teléfono, correo electrónico, etc.)}

Profesor responsable: Moral Callejón, Serafín Listado de profesores:

Moral Callejón, Serafín;

smc@decsai.ugr.es

, Tef. 958242819. Tutorías: L, Ma, Mx, 11-13

Campos Ibáñez, Luis Miguel de;

lci@decsai.ugr.es

, Tef. 958243199. Tutorías: Mx, Vi 10:30-12:30, J 11:30-13-30

Acid Carrillo, Silvia ;

acid@decsai.ugr.es

; Tef. 958248309. Tutorías: Ma 11:30-14:30, Ma 17:30-18:30, Vi 11:00-13:00

Cano Utrera, Andrés;

acu@decsai.ugr.es

, Tef. 958240803. Tutorías: Ma: 10-14, Mx: 12-14

ETSI Informática y de Telecomunicación.

Universidad de Granada C/ Periodista Daniel Saucedo, s/n

E-18071 GRANADA SPAIN

HORARIO DE TUTORÍAS

MÁSTER EN EL QUE SE IMPARTE OTROS MÁSTERES A LOS QUE SE PODRÍA OFERTAR

Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores

PRERREQUISITOS Y/O RECOMENDACIONES (si procede)

Sin requisitos previos.

BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER)

Introducción a los modelos probabilísticos Redes bayesianas

Otros modelos gráficos probabilísticos Construcción de redes bayesianas

Problemas de inferencia en modelos gráficos Estimación de probabilidades

Aprendizaje estructural

MODELOS GRÁFICOS PROBABILÍSTICOS

(2)

Modelos gráficos en problemas de clasificación y clustering

COMPETENCIAS GENERALES Y ESPECÍFICAS

Competencias Generales:

CG1. Capacidad de acceso y gestión de la información CG2. Capacidad de análisis y síntesis

CG3. Capacidad de organización y planificación CG4. Capacidad emprendedora

CG5. Capacidad para tomar decisiones de forma autónoma CG8. Capacidad para trabajar en equipo

Competencias Específicas:

EB1. Capacidad para modelar y resolver problemas reales o académicos mediante técnicas de ciencia de datos. EB2. Capacidad para modelar y resolver problemas reales o académicos mediante tecnologías inteligentes o de inteligencia computacional.

OBJETIVOS (EXPRESADOS COMO RESULTADOS ESPERABLES DE LA ENSEÑANZA)

Conocer y saber utilizar las redes bayesianas y otros modelos gráficos probabilísticos como mecanismos de representación del conocimiento con incertidumbre.

Conocer y utilizar diferentes técnicas de ayuda a la construcción de redes bayesianas

Conocer y utilizar los principales mecanismos de inferencia aplicables en modelos gráficos probabilísticos. Conocer y utilizar las principales técnicas de estimación de probabilidades aplicables a las redes bayesianas Conocer y utilizar las principales técnicas de aprendizaje automático de la estructura de una red bayesiana Conocer y utilizar las principales técnicas de clasificación y clustering basadas en modelos gráficos probabilísticos.

Conocer y utilizar algunas de las herramientas software para la aplicación de las redes bayesianas a problemas reales y académicos.

TEMARIO DETALLADO DE LA ASIGNATURA

Tema 1: Introducción a los modelos probabilísticos  Introducción al razonamiento probabilístico  Independencia condicional

 Elicitación de probabilidades Tema 2: Redes bayesianas

 Propiedades de las relaciones de independencia condicional  Representación de independencias mediante grafos

(3)

Tema 3: Otros modelos gráficos probabilísticos  Grafos no dirigidos

 Grafos cadena

Tema 4: Construcción de redes bayesianas  Método general de construcción  Causalidad

 Determinación y representación de las probabilidades condicionales  Puertas OR

 Variables continuas  Modelos temporales

Tema 5: Problemas de inferencia en modelos gráficos  Cálculo de probabilidades condicionales  Cálculo de la explicación más probable  Cálculo de la cantidad de información  Análisis de sensibilidad

Tema 6: Estimación de probabilidades  Máxima verosimilitud

 Modelos bayesianos

 El problema del tamaño muestral equivalente  Datos incompletos

Tema 7: Aprendizaje estructural

 Algoritmos basados en tests de independencia  Algoritmos basados en optimización de métricas

 Combinando información de expertos con aprendizaje automático  El espacio de búsqueda

Tema 8: Modelos gráficos en problemas de clasificación y clustering  Naive Bayes

 Modelo TAN  Modelo BAN  AODE AODE  Multiclasificadores



El algoritmo EM para clustering

BIBLIOGRAFÍA

 E. Castillo, J.M. Gutiérrez y A.S. Hadi (1997) Sistemas Expertos y Modelos de Redes

Probabilísticos. Academia de Ingeniería, Madrid.

 A. Darwiche (2009) Modeling and Reasoning with Bayesian Networks. Cambridge University

Press.

 J.A. Gámez, S. Moral, A. Salmerón, eds. (2004) Advances in Bayesian Networks. Springer.

 F.V. Jensen, T.D. Nielsen (2007). Bayesian networks and decision graphs (2nd. Edition) New

(4)

York, NY: Springer-Verlag.

 U.B. Kjaerulff, A.L. Madsen (2008) Bayesian Networks and Influence Diagrams. A Guide to

Construction and Analysis. Springer, New York.

 D. Koller, N. Friedman (2009) Probabilistic Graphical Models: Principles and Techniques. The

MIT Press, Cambridge, MA.

 R.E. Neapolitan (1990) Probabilistic Reasoning in Expert Systems. John Wiley & Sons, New

York, NY

 R.E. Neapolitan (2004) Learning Bayesian Networks. Prentice Hall, Upper Saddle River, NJ.



J. Pearl (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference.

San Mateo, CA.: Morgan Kaufmann Publishers.

ENLACES RECOMENDADOS

Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores:

http://masteres.ugr.es/datcom/

Enlace al curso de Cursera de Modelos Gráficos Probabilísticos de la Universidad de Stanford. https://www.coursera.org/course/pgm

METODOLOGÍA DOCENTE

MD1. Lección magistral/expositiva.

MD2. Resolución de problemas y estudio de casos prácticos. MD3. Prácticas de laboratorio.

MD4. Seminarios.

MD5. Análisis de fuentes y documentos. MD6. Realización de trabajos en grupo. MD7. Realización de trabajos individuales.

EVALUACIÓN (INSTRUMENTOS DE EVALUACIÓN, CRITERIOS DE EVALUACIÓN Y PORCENTAJE SOBRE LA CALIFICACIÓN FINAL, ETC.)

Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional.

(5)

Convocatoria ordinaria:

La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos:

 Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas.

 Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación.

 Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados.

En la siguiente tabla se detalla el porcentaje sobre la calificación final de cada parte: Descripción del Sistema de Evaluación Ponderación

Evaluación de la Parte Teórica 45%

Evaluación de la Parte Práctica 45%

Evaluación de los Seminarios y otras actividades 10%

Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada (

http://secretariageneral.ugr.es/pages/normativa/ugr/ncg7121

). Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente.

Convocatoria extraordinaria:

En las convocatorias extraordinarias se utilizará la evaluación única final, tal y como se ha descrito más arriba.

RÉGIMEN DE ASISTENCIA

La asistencia a las clases presenciales no será obligatoria, aunque la participación en las actividades planteadas podrá ser tenida en cuenta en el sistema de evaluación continua.

(6)