Última actualización: 11/03/2024


Curso Académico: 2024/2025

Razonamiento con Incertidumbre
(19208)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: CABRAS , STEFANO

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Conocimiento básico de estadística descriptiva, elementos de probabilidad y inferencia.
Objetivos
El objetivo principal es utilizar los conceptos relacionados con la inferencia Bayesiana para su posterior aplicación a problemas relacionados con AI, mediante oportunas técnicas de aproximación de distribución a posteriori de modelos Bayesianos. Estos conceptos se ilustrarán en el ámbito de algunos modelos de inferencia relacionados con problemas de regresión.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Inferencia bayesiana (D. Hoff Cap 1 a 2): 1.1. Conceptos de probabilidad asociados a la estadística bayesiana 1.2 Fundamentos. 2. Problemas computacionales asociados a la fórmula de Bayes (D. Hoff Cap 3 a 6): 2.1 Previas conjugadas y no conjugadas. 2.2 Métodos numéricos: 2.2.1. aproximación de Laplace de la distribución a posteriori 2.2.2. MCMC. 3. Representación de modelos mediante grafos: Redes bayesianas y redes markovianas. 4. Métodos variacionales para la estimación de distribuciones a posteriori en redes bayesianas. 5. Redes gaussianas (Bayesian inference with INLA): 5.1. Procesos gaussianos 5.2. estimación de modelos mediante Integrated Nested Laplace Approximation (INLA) 6. Inferencia causal: 6.1. Modelos para efecto de causas (Bayesian Additive Regression Trees) 6.2. Probabilidades de las causas de efectos.
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades Formativas: AF1: Presentaciones teóricas de docencia síncrona acompañadas de material electrónico, como presentaciones digitales AF2: Actividades de e-learning AF3: Clases teórico-prácticas docencia síncrona AF4: Prácticas de laboratorio AF5: Tutorías AF6: Trabajo en grupo AF7: Trabajo individual del alumno AF8: Exámenes parciales y finales Metodología docente: - MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - MD2: Lectura crítica de textos recomendados por el profesor de la asignatura: - Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. - MD3: Resolución de casos prácticos, problemas, etc.... planteados por el profesor de manera individual o en grupo - MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos - MD5: Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60

Calendario de Evaluación Continua


Bibliografía básica
  • Peter D. Hoff. A First Course in Bayesian Statistical Methods. Springer. 2009
Recursos electrónicosRecursos Electrónicos *
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.


Dirección web para más información: https://www.uc3m.es/ss/Satellite/DeptEstadistica/es/DetallePersonalDept/1371317130306/idu-101457