Conocimiento básico de estadística descriptiva, elementos de probabilidad y inferencia.

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.

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: 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