Guía docente de Modelos Gráficos Probabilísticos (M51/56/3/19)

• Introducción a los modelos gráficos probabilísticos
• Redes bayesianas
• Otros modelos gráficos probabilísticos
• Construcción de redes bayesianas
• Problemas de inferencia en modelos gráficos probabilísticos
• Estimación de probabilidades
• Aprendizaje estructural
• Modelos gráficos en problemas de clasificación y clustering

Recomendaciones:

• buena formación matemática básica, especialmente en teoría de la probabilidad y estadística.
• formación informática básica con conocimiento elemental de R y Java.

• 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.

• 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

  • Parametrización de redes bayesianas

• 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

• Modelización de problemas.
• Construcción de redes bayesianas en Elvira
• Algoritmos de propagación en R (bnlearn)
• Aprendizaje de redes bayesianas en R (bnlearn)
• Clasificación supervisada y no supervisada con Weka, R

• 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.
• F.V. Jensen, T.D. Nielsen (2007). Bayesian networks and decision graphs (2nd. Edition) New York, NY: Springer-Verlag.
• D. Koller, N. Friedman (2009) Probabilistic Graphical Models: Principles and Techniques. The MIT Press, Cambridge, MA
• J. Pearl (1988) Probabilistic reasoning in intelligent systems: Networks of plausible inference. San Mateo, CA.: Morgan Kaufmann Publishers
• L.E. Súcar (2021) Probabilistic Graphical Models, Principles and Applications. Springer. 

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

• U.B. Kjaerulff, A.L. Madsen (2008) Bayesian Networks and Influence Diagrams. A Guide to Construction and Analysis. Springer, New York.

• 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 (2009) Causality. Cambridge University Press.

• J. Pearl,  D. Mackenzie  (2018) The book of why: the new science of cause and effect. Basic books.

• M. Scutari,  J.B. Denis  (2021) Bayesian networks: with examples in R. CRC press.

• I.H. Witten, E. Frank,  L.E.Trigg, M.A. Hall, G. Holmes, S.J. Cunningham (1999) Weka: Practical machine learning tools and techniques with Java implementations.

• Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/
• Enlace al curso de Coursera de Modelos Gráficos Probabilísticos de la Universidad de Stanford: https://www.coursera.org/course/pgm
• Bayes Server software: https://www.bayesserver.com/
• Página de bnlearn: https://www.bnlearn.com/
• Página web de la empresa Bayesia: https://www.bayesia.com/

El artículo 17 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho a la evaluación única final.

• Examen presencial de conceptos básicos (50%).

• Entrega de ejercicios de las relaciones proporcionadas por los profesores de la asignatura sobre cada bloque de teoría (50%).

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.

• Examen presencial de conceptos básicos y ejercicios (100%).

• Se podrá conservar la calificación de los ejercicios de la convocatoria ordinaria, si el estudiante así lo desea. En ese caso la calificación será 50% el examen de conceptos básicos y 50% la calificación de los ejercicios.

El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará 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.