2.9.7 IS/Razonamiento Bajo Incertidumbre

Tópicos:
Electivo

Objetivos de Aprendizaje:
Elective:

  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 [Evaluar]
  3. Identificar ejemplos de representación de conocimiento para razonamiento bajo incertidumbre [Familiarizarse]
  4. Indicar la complejidad de la inferencia exacta. Identificar métodos para inferencia aproximada [Familiarizarse]
  5. Diseñar e implementar, al menos una representación de conocimiento para razonamiento bajo incertidumbre [Usar]
  6. Describir la complejidad del razonamiento probabilístico en el tiempo [Familiarizarse]
  7. Diseñar e implementar un Modelo Oculto de Markov (HMM) como un ejemplo de sistema probabilístico en el tiempo [Usar]
  8. Describir las relaciones entre preferencias y funciones de utilidad [Familiarizarse]
  9. Explicar como funciones de utilidad y razonamiento probabilístico puede ser combinado para tomar decisiones razonables [Evaluar]

Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, Universidad de Ingeniería y Tecnología, Lima-Perú
basado en el modelo de la Computing Curricula de IEEE-CS/ACM