GUIA DOCENTE DE LA ASIGNATURA MODELOS GRÁFICOS PROBABILÍSTICOS MÓDULO MATERIA ASIGNATURA Modelos avanzados de ciencia de datos Modelos gráficos probabilísticos Modelos gráficos probabilísticos PROFESOR(ES) Profesor responsable: Luis M. de Campos Ibáñez Listado de profesores: Campos Ibáñez, Luis Miguel de; lci@decsai.ugr.es, Tef. 958243199. Acid Carrillo, Silvia ; acid@decsai.ugr.es; Tef. 958248309. Cano Utrera, Andrés; acu@decsai.ugr.es, Tef. 958240803. Abellán Mulero, Joaquín; jabellan@decsai.ugr.es, Tef. 958242376. MÁSTER EN EL QUE SE IMPARTE CURS O SEMEST RE CRÉDIT OS 1º 1º 4 CARÁCTER OPTATIVO DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS (Dirección postal, teléfono, correo electrónico, etc.) ETSI Informática y de Telecomunicación. Universidad de Granada C/ Periodista Daniel Saucedo, s/n E-18071 GRANADA SPAIN HORARIO DE TUTORÍAS Los horarios de tutorías del profesorado pueden consultarse en la web: http://decsai.ugr.es/index.php?p=profesores 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 en problemas de clasificación y clustering Página 1
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 1: Introducción a los modelos probabilísticos Introducción al razonamiento probabilístico Independencia condicional Elicitación de probabilidades 2: Redes bayesianas Propiedades de las relaciones de independencia condicional Representación de independencias mediante grafos Página 2
Parametrización de redes bayesianas 3: Otros modelos gráficos probabilísticos Grafos no dirigidos Grafos cadena 4: Construcción de redes bayesianas Método general de construcción Causalidad Determinación y representación de las probabilidades condicionales Puertas OR Variables continuas Modelos temporales 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 6: Estimación de probabilidades Máxima verosimilitud Modelos bayesianos El problema del tamaño muestral equivalente Datos incompletos 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 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. Página 3
F.V. Jensen, T.D. Nielsen (2007). Bayesian networks and decision graphs (2nd. Edition) New 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. MD2. MD3. MD4. MD5. MD6. MD7. Lección magistral/expositiva. Resolución de problemas y estudio de casos prácticos. Prácticas de laboratorio. Seminarios. Análisis de fuentes y documentos. Realización de trabajos en grupo. 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 Página 4
en las titulaciones universitarias de carácter oficial y validez en el territorio nacional. Convocatoria ordinaria: La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que 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 concreto, en la asignatura la evaluación consistirá en: Examen presencial de conceptos básicos (50%). Entrega de 4 ejercicios de una relación (50%). 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. INFORMACIÓN ADICIONAL Página 5
Página 6