2.1.6 AI/Representación del Conocimiento y Razonamiento Probabilístico Básico

Temas:
Core

• Tipos de representaciones:
  1. Simbólicas, lógicas:
     1. Crear una representación a partir de un enunciado de problema en lenguaje natural
  2. Representaciones subsimbólicas aprendidas
  3. Modelos gráficos (por ejemplo, Bayes ingenuo, red bayesiana)
• Repaso del razonamiento probabilístico, teorema de Bayes
• Razonamiento bayesiano:
  1. Inferencia bayesiana
• Variables aleatorias y distribuciones de probabilidad:
  1. Axiomas de probabilidad
  2. Inferencia probabilística
  3. Regla de Bayes (derivación)
  4. Inferencia bayesiana (ejemplos más complejos)

Aprendizaje esperado (Learning Outcomes):
Core:

1. Dado un enunciado de problema en lenguaje natural, codificarlo como una representación simbólica o lógica [Aplicar]
2. Calcular una inferencia probabilística en un problema del mundo real usando el teorema de Bayes para determinar la probabilidad de una hipótesis dada la evidencia [Aplicar]
3. Aplicar la regla de Bayes para determinar la probabilidad de una hipótesis dada la evidencia [Aplicar]
4. Calcular la probabilidad de resultados y probar si los resultados son independientes [Aplicar]