2.9.7 IS/Razonamiento Bajo Incertidumbre

Temas:
Electivo

• Revisión de Probabilidad Básica
• Variables aleatorias y distribuciones de probabilidad:
  1. Axiomas de probabilidad
  2. Inferencia probabilística
  3. Regla de Bayes
• Independecia Condicional
• 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
• Teoria de decisiones:
  1. Preferencias y funciones de utilidad
  2. Maximizando la utilidad esperada

Objetivos de Aprendizaje (Learning Outcomes):
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]