- ES Español (Latinoamérica)

- EN English

3.62. AI261 Probabilidad y Estadistica para IA (Electivo)
- Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- BMA102 Cálculo Diferencial (1er Sem)
- BMA101 Algebra Lineal (1er Sem)
- STA251 Estadística y Probabilidades (2do Sem)
- ES Español (Latinoamérica)

- EN English

3.62.1. Justificación Volver arriba


Este curso proporciona las bases probabilísticas y estadísticas esenciales para el desarrollo de sistemas de Inteligencia Artificial. Cubre distribuciones clave, inferencia bayesiana y métodos estadísticos aplicados directamente a problemas de aprendizaje automático, visión por computadora y procesamiento de lenguaje natural.
- ES Español (Latinoamérica)

- EN English

3.62.2. Objetivos Generales Volver arriba


- Comprender las distribuciones de probabilidad fundamentales en modelos de IA.
- Aplicar métodos de inferencia estadística en el entrenamiento de modelos.
- Implementar soluciones probabilísticas usando bibliotecas modernas (NumPy, SciPy).
- ES Español (Latinoamérica)

- EN English

3.62.3. Contribución a los resultados (Outcomes) Volver arriba


- AG-C07) Conocimientos de Computación: Aplica conocimientos de matemáticas, ciencias y computación. (Usage)
- ES Español (Latinoamérica)

- EN English

3.62.4. Contenido Volver arriba


- ES Español (Latinoamérica)

- EN English

3.62.4.1. Fundamentos Probabilísticos (15 horas) [Habilidades AG-C07] Volver arriba


Referencias Bibliográficas: (Bishop, 2006; Murphy, 2012)
Temas
- Espacios de probabilidad y variables aleatorias
- Distribuciones clave: Normal, Poisson, Binomial, Multinomial
- Teorema de Bayes y aplicaciones en IA
Aprendizaje esperado (Learning Outcomes)
- Calcular probabilidades en modelos discretos/continuos [Usar]
- Explicar el rol de distribuciones en algoritmos de ML [Familiarizarse]
- ES Español (Latinoamérica)

- EN English

3.62.4.2. Estadística para IA (15 horas) [Habilidades AG-C07] Volver arriba


Referencias Bibliográficas: (DeGroot and Schervish, 2014; Wasserman, 2004)
Temas
- Estimación de parámetros (MLE, MAP)
- Intervalos de confianza y pruebas de hipótesis
- Análisis de correlación y regresión lineal
Aprendizaje esperado (Learning Outcomes)
- Implementar MLE/MAP en Python [Usar]
- Evaluar significancia estadística en resultados de modelos [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.62.4.3. Cadenas de Markov y Procesos Estocásticos (15 horas) [Habilidades AG-C07] Volver arriba


Referencias Bibliográficas: (Ross, 2019; Bishop, 2006)
Temas
- Procesos de Markov ocultos (HMMs)
- Cadenas de Markov Monte Carlo (MCMC)
- Aplicaciones en NLP y visión computacional
Aprendizaje esperado (Learning Outcomes)
- Simular procesos estocásticos básicos [Usar]
- Relacionar teoría con arquitecturas de redes neuronales [Familiarizarse]
- ES Español (Latinoamérica)

- EN English

3.62.4.4. Herramientas Computacionales (15 horas) [Habilidades AG-C07] Volver arriba


Referencias Bibliográficas: (VanderPlas, 2016; McKinney, 2022)
Temas
- NumPy para operaciones probabilísticas
- SciPy para tests estadísticos
- Visualización con Matplotlib/Seaborn
Aprendizaje esperado (Learning Outcomes)
- Programar simulaciones probabilísticas [Usar]
- Generar visualizaciones estadísticas [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.62.5. Referencias Bibliográficas Volver arriba


Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
DeGroot, M. H. and Schervish, M. J. (2014). Probability and Statistics. Pearson, 4th edition.
Wasserman, L. (2004). All of Statistics: A Concise Course in Statistical Inference. Springer. Aunque es de 2004, sigue siendo referencia estándar.
Ross, S. M. (2019). Introduction to Probability Models. Academic Press, 12th edition.
VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly.
McKinney, W. (2022). Python for Data Analysis. O'Reilly, 3rd edition.