Última actualización: 31/05/2022


Curso Académico: 2022/2023

Razonamiento con Incertidumbre
(19208)
Titulación: M.U Inteligencia Artificial Aplicada (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 y de estimación en inferencia causal.
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
Clase teórica Clases prácticas Prácticas de laboratorio Tutorías Trabajo en grupo Trabajo individual del estudiante Exámenes parciales y finales
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