2.1.16 AI/Representación Probabilística y Razonamiento

Temas:
Non Core

• Repaso de independencia condicional
• Representaciones del conocimiento:
  1. Redes bayesianas:
     1. Inferencia exacta y su complejidad
     2. Mantas de Markov y d-separación
     3. Métodos de muestreo aleatorizado (Monte Carlo) (por ejemplo, muestreo de Gibbs)
  2. Redes de Markov
  3. Modelos de probabilidad relacional
  4. Modelos ocultos de Markov
• Teoría de la decisión:
  1. Preferencias y funciones de utilidad
  2. Maximización de la utilidad esperada
  3. Teoría de juegos

Aprendizaje esperado (Learning Outcomes):
NonCore:

1. Calcular la probabilidad de una hipótesis dada la evidencia en una red bayesiana [Aplicar]
2. Explicar cómo las afirmaciones de independencia condicional permiten una mayor eficiencia de los sistemas probabilísticos [Explicar]
3. Identificar ejemplos de representaciones del conocimiento para razonar bajo incertidumbre [Listar/Enumerar]
4. Establecer la complejidad de la inferencia exacta. Identificar métodos para inferencia aproximada [Enunciar/Establecer]
5. Diseñar e implementar al menos una representación del conocimiento para razonar bajo incertidumbre [Aplicar]
6. Describir las complejidades del razonamiento probabilístico temporal [Describir]
7. Diseñar e implementar un HMM como un ejemplo de sistema probabilístico temporal [Aplicar]
8. Describir la relación entre preferencias y funciones de utilidad [Describir]
9. Explicar cómo las funciones de utilidad y el razonamiento probabilístico pueden combinarse para tomar decisiones racionales [Explicar]