Modelos de Gráficas Probabilisticas y Aplicaciones


Instructor: : Salvador Ruiz Correa.
Horario de clase : Lunes y viernes de 14:00 - 14:20, Salón 2.
Horario de oficina: Viernes 14:20-15:20, CIMAT (Oficina F-4) (src@cimat.mx).


Anuncios Tareas Información del curso Proyecto final Prerequisitos Evaluación Bibliografía Ligas

Anuncios

  • Inicio de clases: 21 de enero.

    • Tareas

    Información del Curso

    Los modelos de gráficas probabilísticas son un marco teórico de referencia que permite describir las relaciones estadísticas entre colecciones de variables aleatorias que caracterizan un modelo probabilístico. Dada una gráfica probabilástica, la tarea más importante a realizar es la de calcular la distribución marginal de un subconjunto de las variables. A esta tarea se le conoce con el nombre de inferencia. En este curso se presentarán los conceptos básico asociados a los modelos de gráficas probabilísticas, algunos métodos de inferencia y aplicaciones a poroblemas prácticos que ocurren en las ciencias de la computación.

    Objetivo General

    Que el alumno adquiera conocimiento respecto al razonamiento deductivo-inductivo utilizando modelos probabilísticos representados por medio de gráficas, y desarolle habilidades para el modelado prtobabilístico que se requieren aplicaciones relacionadas con las ciencias de la computación.

    Temario

  • Antecedentes.
  • Razonamiento probabilístico.
  • Conceptos básicos de teoría de gráficas.
  • Redes Bayesianas.
  • Modelos gráficos.
  • Inferencia eficiente en árboles.
  • Inferencia utilizando el algorítmo del "junction-tree".
  • Toma de decisiones.
  • Estadística básica para aprendizaje de máquina.
  • Modelo Naive Bayes.
  • Aprendizaje con variables escondidas.
  • Selección Bayesiana de modelo.

    • Proyecto final

    Uno de los aspectos más importantes del curso es la elaboración del proyecto final que cada alumno presentará para evaluación al finalizar el curso. En este proyecto el alumno tendrá la oportunidad de poner en práctica los conceptos aprendidos así como profundizar en algunos de los tamas asociados a los modelos de gráficas probabilísticas. En general, los proyectos pueden desarrollarse en el contexto de alguna aplicación en áreas tales como visión computacional, robótica, miería de datos, procesamiento de imágenes, reconicimiento de patrones, análisis de lenguage natural, entro otras. Se trata pues de elegir un tema de interés personal y formular un problema utilizando las herramientas de los modelos de gráficas probabilísticas. Una vez formulado el problema, la idea es adaptar los métodos de inferencia y aprendizaje al problema en cuestón y relizar una evaluació de la solución obtenida.
  • Para cada proyecto final se hará un reporte de máximo 8 cuartillas en el formato que se puede descargar en esta liga . El reporte escrito tiene un valor del 80% de la calificación del proyecto final. Se entregará por vía electónica (src@cimat.mx) el día 25 de mayo antes de las 17:00 hrs. El 20% restante de la calificación del proyecto estará dada por una presentación en el formato de cartel. La fecha de de las presentaciones de carteles será determinado la primera semana de clases.
  • El día 4 de abril se debe de presentar un avance de proyecto en un documento que no debe de exceder las 4 cuartillas. Dicho documento debe de estar escrito en el formato que se pude descargar aquí . Se espera que en este documento se presenten algunos de los resultados preliminares del proyecto.
  • Las propuestas de proyecto se deben de entregar en clase a maás tardar el día 4 de febrero. Las propuestas deben presentarse en dos cuartillas en las que se debe de incluir: a) el título del proyecto, b) La idea del proyecto (en máximo dos parrafos), c) los datos que se van a utilizar, d) los programas que se tendrán que escribir, e) de 1 a 3 artículos relevantes que se van a leer.

    Prerequisitos

  • Conceptos básicos de probabilidad y estadística: Curso de Johan Van Horebeek

    • Evaluación

  • Participación en clase: 5%.
  • Tareas: 15%
  • Exámenes parciales (3): 50%
  • Exámen final (proyecto): 30%.

    Bibliografía

    • Probabilistic graphical models.
      Daphne Koller and Nir Friedman.
      The MIT Press, 2010.
    • Pattern recognition and machine learning.
      C. M. Bishop .
      Springer, 2006.
    • Computer vision: Models, learning and inference.
      Simon J. D. Prince.
      Cambridge University Press, 2012

    Ligas



    Page maintained by: src@cimat.mx