4.25.2.5 Razonamiento Bajo Incertidumbre (18 horas) [Habilidades a,j]

Referencias Bibliográficas: [Koller and Friedman, 2009,Russell and Norvig, 2003] Temas
  1. Revisión de Probabilidad Básica
  2. Variables aleatorias y distribuciones de probabilidad:
    1. Axiomas de probabilidad
    2. Inferencia probabilística
    3. Regla de Bayes
  3. Independecia Condicional
  4. Representaciones del conocimiento:
    1. Redes bayesianas
      1. Inferencia exacta y su complejidad
      2. Métodos de Muestreo aleatorio (Monte Carlo) (p.e. Muestreo de Gibbs)
    2. Redes Markov
    3. Modelos de probabilidad relacional
    4. Modelos ocultos de Markov
Objetivos de Aprendizaje
  1. Aplicar la regla de Bayes para determinar el cumplimiento de una hipótesis [Usar]
  2. Explicar cómo al tener independencia condicional permite una gran eficiencia en sistemas probabilísticos [Usar]
  3. Identificar ejemplos de representación de conocimiento para razonamiento bajo incertidumbre [Usar]
  4. Indicar la complejidad de la inferencia exacta. Identificar métodos para inferencia aproximada [Usar]



Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, basado en el modelo de la Computing Curricula de IEEE-CS/ACM